Sugiyanti

ANALISIS TINGKAT KELARISAN PENJUALAN
ELEKTRONIK DAN PERABOT DENGAN

PERHITUNGAN K-MEANS
SKRIPSI
Diajukan Untuk Memenuhi Salah Satu Syarat

Untuk Menyelesaikan Pendidikan Strata Satu (S-1)
Program Studi Sistem Informasi
Disusun Oleh:
SUGIYANTI
18.22.0665
Sekolah Tinggi Manajemen Informatika Dan Komputer Royal

STMIK ROYAL
KISARAN
2022
1
ABSTRAK
ANALISIS TINGKAT KELARISAN PENJUALAN

ELEKTRONIK DAN PERABOT DENGAN
PERHITUNGAN K-MEANS
Oleh : SUGIYANTI (18.22.0665)
Penelitian ini bertujuan untuk menganalisis tingkat kelarisan penjualan

elektronik dan perabot menggunakan metode perhitungan K-Means. Pertumbuhan
e-commerce dan persaingan yang semakin ketat dalam industri elektronik dan
perabot menuntut pemahaman yang lebih baik tentang preferensi dan perilaku
konsumen. Metode K-Means digunakan untuk mengelompokkan data penjualan
berdasarkan pola pembelian dan preferensi konsumen. Hasil analisis K-Means
pada Toko Sombahuta Jaya Elektronik dan Perabot memberikan wawasan tentang
segmentasi konsumen yang berbeda berdasarkan pola pembelian mereka. Ini
membantu perusahaan untuk lebih memahami preferensi konsumen,
mengoptimalkan strategi pemasaran, dan meningkatkan pengambilan keputusan
terkait stok produk dan penyusunan harga. Selain itu, penelitian ini juga dapat
memberikan pandangan tentang tren pasar yang berkembang dan potensi peluang
bisnis yang dapat dikejar.
Kata Kunci: K-Means Clustering, Elektronik dan Prabot, Toko Sombahuta Jaya
Elektronik dan Perabot
1
ABSTRACT
ANALYSIS OF THE LEVEL OF ELECTRONIC AND FURNITURE

SALES WITH CALCULATION OF K-MEANS
By : SUGIYANTI (18.22.0665)
This study aims to analyze the level of sales success of electronics and furniture
using the K-Means calculation method. The growth of e-commerce and
increasingly fierce competition in the electronics and furniture industry demands
a better understanding of consumer preferences and behavior. The K-Means
method is used to classify sales data based on purchasing patterns and consumer
preferences. The results of the K-Means analysis on Sombahuta Jaya Elektronik
and Furniture Stores provide insight into the different consumer segments based
on their purchasing patterns. This helps companies better understand consumer
preferences, optimize marketing strategies, and improve decision-making
regarding product stock and pricing. In addition, this research can also provide
views on developing market trends and potential business opportunities that can
be pursued.
Keywords: K-Means Clustering, Electronics and Furniture, Sombahuta Jaya

Electronics and Furniture Stores
kjhjhkj
1
BAB I
PENDAHULUAN
1.1 Latar Belakang Persoalan
Gardu Sombahuta Jaya Elektronik dan Alat melukiskan suatu usaha
perorangan yang bergerak di bidang perdagangan barang-barang elektronik dan
Alat rumah tangga. Gardu Sombahuta Jaya Elektronik dan Alat selalu merekap
dan membereskan evidensi transaksi perdagangan barang tatkala suatu basis
evidensi plong skema fakta perdagangan yang mereka miliki. Evidensi transaksi
perdagangan plong gardu tertutur setiap hari semakin bertambah banyak. Evidensi
tertutur dapat diolah menjadi suatu fakta yang berpukau bagi gardu. Salah satu
kepukauanya adalah bakal mengetahui perilaku dan kelasakan konsumen tatkala
membeli suatu produk yang mereka tawarkan.
Seraya melihat evidensi transaksi perdagangan tertutur, pihak Gardu
Sombahuta Jaya Elektronik dan Alat dapat melihat barang mana yang lebih
diminati dan sering dibeli oleh konsumen, dan barang mana yang kurang diminati
dan jarang dibeli oleh konsumen. Serta mengetahui barang-barang apa saja yang
sering dibeli lagam bersamaan oleh konsumen. Itemset promosi melukiskan suatu
strategi pemasaran bakal memasarkan suatu produk atau jasa bakal meningkatkan
kuantitas perdagangan. Fakta pemasaran yang dibuatankan akan membantu
penjual tatkala memutuskan suatu kegiatan promosi pukau pengenalan suatu item
keplong calon konsumen. Bakal memdapat pengetahuan dari fakta pemasaran
tertutur diperlukan suatu teknik yang ditutur Evidensi Mining.
1
2
Evidensi Mining adalah suatu istilah yang dipukaukan bakal menemukan
pengetahuan yang tersembunyi di tatkala evidensibase. Analisa terhadap evidensi
(lasaknya evidensi yang berukuran besar) bakal menemukan hubungan yang jelas
serta menyimpulkannya yang belum diketahui sebelumnya seraya cara terkini
dipahami dan berpukau bagi pemilik evidensi tertutur [1].
Evidensi Mining dapat menyatukan teknik pembelajaran mesin,
pengolahan pola, statistik, evidensibase, dan visualisasi bakal penanganan
perpersoalanan pengutipan fakta dari evidensibase yang besar. Hubungan yang
dicari tatkala evidensi mining dapat berupa hubungan antara dua atau lebih tatkala
satu dimensi. Misalnya tatkala dimensi produk dapat melihat keterkaitan
pembelian suatu produk seraya produk yang lain. Selain itu, hubungan juga dapat
dilihat antara dua atau lebih atribut dan dua atau lebih objek.
Plong Gardu Sombahuta Jaya Elektronik dan Alat masih ada proses-proses
yang dinunai lagam manual sehingga sering terjadi kesalahan tatkala pecatatan
evidensi-evidensi yang ada dan juga kurangnya efesiensi waktu yang diperlukan.
Plong saat ini Gardu Sombahuta Jaya Elektronik dan Alat masih memproses
evidensi penjulannya lagam manual. Beserta ini adalah evidensi perdagangan
elektronik dan alat di Gardu Sombahuta Jaya Elektronik dan Alat:

3
Senarai 1.1 Evidensi Perdagangan Produk Elektronik

di Gardu Sombahuta Jaya Januari 2021 sampai seraya Desember 2021
Kipas Mesin Blend Dispense Spek
Bulan Kulkas Tv Angin Ac Cuci er r Setrika er
Jan 24 28 30 20 23 20 26 23 23
Feb 22 18 34 18 20 25 30 26 24
Mar 19 23 29 21 27 21 27 29 24
Apr 30 20 23 20 21 24 30 24 25
Mei 26 30 28 22 23 24 28 23 26
Jun 23 20 20 26 23 26 29 23 23
Jul 25 33 19 23 20 25 27 25 25
Agust 27 23 31 30 30 23 28 21 24
Sept 22 29 17 20 23 24 27 23 21
Okt 29 30 33 23 30 23 25 26 27
Nov 30 25 27 27 28 21 30 24 24
Des 28 22 29 25 29 23 29 25 23
Sumber: Gardu Sombahuta Jaya Elektronik dan Alat (2021)
Senarai 1.2 Evidensi Perdagangan Produk Alat

di Gardu Sombahuta Jaya Januari 2021 sampai seraya Desember 2021
Meja Lemari Spring
Bulan Makan Rak Tv Meja Rias Sofa Pakaian Bed
Jan 20 30 28 20 30 12
Feb 19 26 32 25 28 14
Mar 23 23 23 29 33 16
Apr 21 25 19 20 22 18
Mei 27 33 20 19 20 20
Jun 31 20 30 23 27 14
Jul 20 32 32 30 37 15
Agust 35 30 28 19 19 16
Sep 28 24 23 32 39 13
Okt 38 31 37 29 28 13
Nov 25 25 24 30 20 14
Des 30 32 20 19 30 17
Sumber: Gardu Sombahuta Jaya Elektronik dan Alat (2021)
Bersendikan evidensi di atas, terlihat bahwa perdagangan di Gardu
Sombahuta Jaya Elektronik dan Alat mengalami naik turun tatkala perdagangan.
Disamping itu Gardu Sombahuta Jaya Elektronik dan Alat tidak dapat
mengelompokkan produk yang laris dan yang tidak laris terjual. Sehingga
4
kesulitan yang dialami yaitu seringnya kekurangan stok produk yang laku karena
perdagangannya tinggi dan menumpuknya produk yang tidak laku di gudang
karena penjualnnya rendah. Oleh karena itu dibutuhkan skema fakta terjinjingisasi
yang menunjang arus evidensi dan fakta sesuai seraya kebutuhan dari proses-
proses tertutur.
Adapun penerapan evidensi mining seraya algoritma K-Means akan
dirancang dan dibangun seraya menyedot selidika pemrograman PHP dan
evidensibase MySQL. K-Means melukiskan saalah satu kaidah evidensi clustering
non hierarki yang berusaha mempartisi evidensi yang ada ke tatkala bentuk satu
atau lebih cluster atau kelompok sehingga evidensi yang memiliki karakteristik
yang sama dikelompokkan ke tatkala satu cluster yang sama dan evidensi yang
mempunyai karakteristik yang berpautan dikelompokkan ke tatkala kelompok
yang lainnya.
K-Means adalah kaidah clustering berbasis jarak yang membagi evidensi
ke tatkala sebesaran cluster dan algoritma ini hanya bekerja plong atribut numeric.
Algoritma K-Means termasuk partitioning clustering yang memisahkan evidensi
ke daerah etape yang terpisah. Algoritma K-Means sangat terkenal karena
kemudahan dan kemahirannya bakal mengcluster evidensi yang besar dan
evidensi outlier seraya sangat cepat.Tatkala algoritma K-Means, setiap evidensi
harus termasuk ke cluster tertentu dan bisa dimungkinkan bagi setiap evidensi
yang termasuk cluster tertentu plong suatu tahapan proses, plong tahapan
besertanya berpindah ke cluster lainnya [2].
Bersendikan pertimbangan tertutur, maka penulis tertarik bakal membuat
skripsi seraya judul “Telaah Tingkat Laku Perdagangan Elektronik Dan Alat
Seraya Perhitungan K-Means”.

5
1.2 Identifikasi Persoalan
Adapun identifikasi persoalan tatkala penggalian ini adalah:
1. Perdagangan di Gardu Sombahuta Jaya Elektronik dan Alat mengalami naik
turunnya perdagangan.
2. Gardu Sombahuta Jaya Elektronik dan Alat tidak dapat mengelompokkan
produk yang laris dan yang tidak laris terjual serta sering mengalami kesulitan
kekurangan stok produk karena perdagangan yang tinggi.
3. Menumpuknya produk yang tidak laku di gudang karena penjualnnya rendah.
1.3 Batasan Persoalan
Adapun pembatasan persoalan tatkala penggalian ini adalah:
1. Evidensi yang dipukaukan adalah evidensi perdagangan barang tahun 2021
dan evidensi akan dikelompokan menjadi 2 (dua) yaitu laris dan tidak laris
serta atribut yang dipukaukan tatkala penggalian ini adalah nama barang dan
besaran perdagangan.
2. Kaidah yang dipukaukan tatkala penggalian ini adalah kaidah K-Means.
3. Selidika pemrograman yang dipukaukan tatkala penggalian ini adalah PHP,
evidensibase yang dipukaukan tatkala penggalian ini adalah MySQL dan
editor yang dipukaukan tatkala penggalian ini adalah Sublime Text.

6
1.4 Perumusan Persoalan
Adapun perumusan persoalan tatkala penggalian ini adalah:
1. Penakamana proses tingkat laku perdagangan elektronik dan alat yang alang
terjadi saat ini di Gardu Sombahuta Jaya Elektronik dan Alat?
2. Penakamana merancang tingkat laku perdagangan elektronik dan alat seraya
menyedot evidensi mining di Gardu Sombahuta Jaya Elektronik dan Alat?
3. Apakah seraya menerapkan evidensi mining seraya algoritma K-Means
memudahkan pihak Gardu Sombahuta Jaya Elektronik dan Alat bakal
menunai tingkat laku perdagangan elektronik dan alat?
1.5 Target Penggalian
Target dari penggalian ini adalah sepenaka beserta:
1. Mengetahui proses tingkat laku perdagangan elektronik dan alat yang alang
terjadi saat ini di Gardu Sombahuta Jaya Elektronik dan Alat.
2. Merancang tingkat laku perdagangan elektronik dan alat seraya menyedot
evidensi mining di Gardu Sombahuta Jaya Elektronik dan Alat menyedot
selidika pemrograman PHP dan evidensibase MySQL.
3. Menerapkan evidensi mining seraya algoritma K-Means memudahkan pihak
Gardu Sombahuta Jaya Elektronik dan Alat bakal menunai tingkat laku
perdagangan elektronik dan alat.

7
1.6 Khasiat Penggalian
Khasiat dari penggalian ini adalah:
1. Penulis
meningkatkan kemahiran dan keterampilan, serta pengalaman sepenaka bekal
memasuki lapangan pekerjaan sesuai seraya bidang ilmu yang ditekuni.
2. Gardu Sombahuta Jaya Elektronik dan Alat
Bahan acuan tatkala upaya mengetahui tingkat laku perdagangan barang
elektronik dan alat.
3. STMIK Royal Kisaran
Bahan tambahan ilmu pengetahuan dan bahan referensi yang berkhasiat bagi
penggalian sejenis dapat dikembangkan bakal penggalian selanjutnya.
1.7 Skemaatika Penulisan
Adapun skemaatika penulisan skripsi ini adalah:
BAB I PENDAHULUAN
Berisikan latar belakang, identifikasi dan pembatasan persoalan, perumusan
persoalan, target dan khasiat penggalian serta skemaatika penulisan.
BAB II TINJAUAN PUSTAKA
Berisikan penjelasan teori yang sesuai seraya penggalian, tinjauan
penggalian, kondisi pemikiran, tinjauan tipikal perusahaan dan hipotesis.
BAB III METODOLOGI PENGGALIAN

8
Berisikan kondisi kerja penggalian, kaidah penggalian, teknik pengumpulan
evidensi, waktu dan tempat penggalian.
BAB IV ANALISA DAN PENYEDIAAN
Berisikan analisa skema, telaah biaya, dan penyediaan skema lagam tipikal.
BAB V PENGEJAWANTAHAN DAN BUATAN
Berisikan kebutuhan skema, pengejawantahan skema, percobaan skema,
kelebihan skema, kelemahan skema dan buatan percobaan.
BAB VI KESIMPULAN DAN SARAN
Berisikan kesimpulan yang mengemukakan lagam singkat buatan
penggalian. Saran melukiskan sumbangan pemikiran berupa rekomendasi
yang diambil dari buatan telaah dan pemselidikan serta buatan kesimpulan.
9
BAB II
TINJAUAN PUSTAKA
2.1 Dasar Teori
2.1.1 Evidensi Mining
2.1.1.1 Pengertian Evidensi Mining
Evidensi Mining adalah serangkaian proses Knowledge Discovery in
Evidensibase (KDD) bakal menggali nilai tambah berupa fakta dari suatu basis
evidensi. Fakta yang dibuatankan didapat seraya mengekstraksi dan mengenali
pola penting dari tatkala basis evidensi yang besar [1]. Evidensi mining sering
dipukaukan bakal mencari pola yang nantinya mudah dipahami oleh manusia dan
dapat menjelaskan karakteristik evidensi. Evidensi mining juga dipukaukan bakal
membuat corak pengetahuan yang bisa dipukaukan bakal menunai sebuah prediksi
[2].
Evidensi mining melukiskan proses identifikasi evidensi yang mempunyai
potensi keberpukauan sehingga plong akhirnya mudah diinterpretasikan. Tugas
dari evidensi mining dibagi menjadi dua yaitu:
1. Supervised learning membutuhkan pembuatan corak bakal menunai telaah.
Contoh dari supervised learning yaitu classification, statistic regression, dan
association rule.
2. Unsupervised learning yaitu pembelajaran yang tidak diawasi oleh variabel
dan tidak membuat hipotesis sebelum menunai telaah. Corak akan dibuat
bersendikan buatan. Contoh dari unsupervised learning adalah clustering[3].
9
10
2.1.1.2 Pukau Evidensi Mining
Evidensi mining berpukau bakal mengidentifikasi fakta yang disarankan
bersendikan penyaringan melalui evidensi bakal menjelajahi pola atau anomali
evidensi. Pukau evidensi mining adalah sepenaka beserta [4].
1. Asosiasi (Association)
Dipukaukan bakal mengenali kelakuan dari kejadian-kejadian khusus atau
proses dimana hubungan asosiasi muncul plong setiap kejadian.
2. Pengklusteran (Clustering)
Pengklusteran melukiskan pengelompokan record, pengamatan, atau
memperhatikan dan membentuk kelas objek-objek yang memiliki kemiripan.
Kluster adalah kumpulan record yang memiliki kemiripan satu seraya yang
lainnya dan memiliki ketidakmiripan seraya recordrecord tatkala kluster lain.
Pengklusteran berpautan seraya klasifikasi yaitu tidak adanya variabel target
tatkala pengklusteran.
3. Prediksi (Prediction)
Prediksi hampir sama seraya klasifikasi dan estimasi, kecuali bahwa tatkala
prediksi nilai dari buatan akan ada di masa menevidensing.
4. Estimasi (Estimation)
Estimasi hampir sama seraya klasifikasi, kecuali variabel target estimasi lebih
kearah numerik dari plong kearah kategori. Corak dibangun menyedot record
lengkap yang menyediakan nilai dari variabel target sepenaka prediksi.
Selanjutnya, plong peninjauan besertanya estimasi nilai dari variabel target
dibuat bersendikan nilai variabel predikasi.

11
5. Klasifikasi (Classification)
Klasifikasi adalah pukau pembelajaran yang memetakan (mengklasifikasi)
sebuah unsur (item) evidensi ke tatkala salah satu dari beberapa kelas yang
sudah didefinisikan.
2.1.1.3 Tahap Penemuan Knowledge plong Evidensi Mining (KDD)
Beserta ini adalah tahap penemuan knowledge plong evidensi mining
(KDD) [5] adalah:
1. Evidensi
Hal yang harus pertama kali dipersiapkan tatkala proses KDD. Evidensi yang
dipukaukan adalah evidensi yang sudah terpisah seraya evidensi operasional.
2. Selection
Pemilihan evidensi harus dinunai karena tidak semua evidensi dapat
dipukaukan. Aktivitas pemilihan evidensi meliputi sampel evidensi dan
penyimpanan evidensi plong berkas.
3. Pre-processing/Cleaning
Evidensi yang sudah dipilih akan dibersihkan melalui proses cleaning
meliputi pembuangan duplikasi evidensi, perbaikan evidensi yang
inkonsisten, dan perbaikan kesalahan evidensi. Plong pre-processing juga
dapat dinunai proses memperkaya evidensi seraya menambah fakta lain yang
relevan.
4. Transborangation
Ada banyak algoritma/kaidah/teknik tatkala evidensi mining yang dapat
dipukaukan. Hanya saja setiap algoritma/kaidah/teknik membutuhkan

12
borangat evidensi yang berpautan-pautan. Sehingga evidensi yang sudah
disiapkan bakal proses KDD dibuah dahulu sesuai seraya algoritma yang
dipukaukan tatkala evidensi mining.
5. Evidensi Mining
Melukiskan tahap utama tatkala KDD bakal penggalian dan pencarian
pengetahuan dan fakta yang berkhasiat menyedot algoritma tertentu sesuai
seraya pengetahuan dan fakta yang dicari.
6. Interpretation/Evaluation
Setelah memdapat pengetahuan dan fakta dari proses evidensi mining, maka
buatannya akan dipresentasikan tatkala bentuk yang mudah dimengerti seperti
grafik atau pohon keputusan. Pengetahuan dan fakta yang dibuatankan dari
proses evidensi mining diperiksa apakah bertentangan seraya fakta atau
hipotesis atau tidak.
7. Knowledge
Pengetahuan dan fakta yang dibuatankan akan dipengejawantahankan sesuai
seraya khasiatnya.
Knowledge
Evaluation
Presentation
Evidensi Evidensi Mining

Transborangatio
n
Cleaning Evidensi
Integration Warehouse
Evidensi Evidensi
13
Goresan 2.1 Tahap Penemuan Knowledge plong Evidensi Mining (KDD)
2.1.2 Klasterisasi
2.1.2.1 Pengertian Klasterisasi
Clustering melukiskan suatu kaidah bakal mencari dan mengelompokkan
evidensi yang memiliki kemiripan karakteristik (similarity) antara satu evidensi
seraya evidensi yang lain. Target utama dari kaidah clustering adalah
pengelompokan sebesaran evidensi atau obyek ke tatkala cluster (group) sehingga
tatkala setiap cluster dapat berisi evidensi yang semirip mungkin. Tatkala
clustering kaidah ini berusaha bakal menempatkan obyek yang mirip (jaraknya
dekat) tatkala satu cluster dan membuat jarak antar cluster sejauh mungkin. Ini
berarti obyek tatkala satu cluster sangat mirip satu seraya lain dan berpautan
seraya obyek tatkala cluster-cluster yang lain [6].
Clustering atau klasterisasi melukiskan pengelompokan record. Plong
evidensi tertentu, teknik klasterisasi lasak dipukaukan bakal mereduksi evidensi.
Ide dasarnya sangatlah sederhana, objek evidensi dipartisi ketatkala sebesaran
kelompok atau cluster dimana objek-objek yang sangat mirip dikelompokkan
ketatkala klaster yang sama alangkan objek-objek yang berpautan di klaster yang
berpautan [7].
2.1.2.2 Klasifikasi Algorima Clustering
Algoritma clustering diklasifikasikan ke tatkala 5 (lima) kategori, yaitu
[8].
1. Partitioning methods.
Melukiskan kaidah seraya pengelompokkan objek dimana tiap objek dimiliki
oleh 1 cluster. Algoritma partisi dapat meminimalkan mean kuadrat jarak dari
14
setiap titik evidensi ke pusat terdekatnya. Yang termasuk ke tatkala kaidah ini
adalah algoritma K-Means, K-Medoid atau PAM, CLARA, dan CLARANS.
2. Hierarchical methods.
Melukiskan proses clustering dimana pengelompokkan objek dapat dinunai
seraya 2 cara yaitu agglomerative dan divisive . Agglomerative dimulai
seraya menggabungkan beberapa cluster hingga menjadi satu, atau divisive
yang dimulai seraya cluster yang sama kemudian dipecah menjadi beberapa
cluster yang lebih kecil. Yang termasuk ke tatkala kaidah ini adalah algoritma
CURE, BIRCH, dan Chameleon.
3. Density-based methods.
Melukiskan pengelompokkan objek bersendikan tingkat kerapatan objek atau
densitas. Yang termasuk tatkala kaidah ini adalah algoritma DBSCAN,
DENCLUE, dan OPTICS.
4. Grid-based methods.
Adalah kaidah pengelompokkan objek seraya menyedot struktur evidensi grid
multiresolusi yang mampu menangani evidensi berdimensi tinggi. Yang
termasuk tatkala kaidah ini adalah algoritma CLIQUE, WaveCluster, dan
STING.
5. Corak-based methods.
Adalah pengelompokkan objek seraya mecorakkan tiap cluster, dan mencoba
mengoptimasikan kesesuaian evidensi seraya corak matematika. Yang
termasuk ke tatkala kaidah ini adalah algoritma COBWEB.
2.1.3 Algoritma K-Means

15
2.1.3.1 Pengertian Algoritma K-Means
Algoritma K-Means melukiskan suatu algoritma klasterisasi yang
mengelompokkan suatu evidensi bersendikan titik pusat klaster (centroid) terdekat
seraya evidensi. Cluster melukiskan sekelompok atau sekumpulan objek evidensi
yang similar satu sama lain tatkala cluster yang sama. Objek akan dikelompokkan
ke tatkala satu atau lebih cluster sehingga objek yang berada tatkala satu cluster
akan mempunyai kesamaan yang tinggi antara objek satu seraya yang lainnya.
Target dari K-Means adalah pengelompokkan evidensi seraya cara
memaksimalkan kemiripan evidensi tatkala satu klaster dan meminimalkan
kemiripan evidensi antar klaster [9].
K-means melukiskan kaidah penganalisaan evidensi plong evidensi mining
dimana proses pecorakan tanpa supervise dan melukiskan salah satu kaidah yang
mengelompokkan evidensi lagam partisipasi. Plong kaidah k-means evidensi
dikelompokkan menjadi beberapa kelompok dimana setiap kelompok mempunyai
karakteristik yang mirip atau sama seraya lainnya namun seraya kelompok lainnya
memiliki karakteristik yang berpautan. Sebuah cluster adalah suatu kumpulan
evidensi yang mirip seraya lainnya atau kemiripan evidensi plong kelompok
lainnya. Kaidah ini meminimalisasi perpautanan antar evidensi di tatkala satu
cluster [10].
2.1.3.2 Kelebihan dan Kekurangan Algoritma K-Means
Algoritma K-Means memiliki keuntungan yaitu:
1. Tatkala pengejawantahan menyelesaikan persoalan, algoritma K-Means
sangat simple serta fleksibel. Artinya perhitungan komputasinya tidak terlalu
rumit dan algoritma ini dapat dipengejawantahankan plong segala bidang.

16
2. Algoritma K-Means sangat mudah bakal dipahami, terutama tatkala
pengejawantahan evidensi yang sangat besar serta dapat mengurangi
kompleksitas evidensi yang dimiliki [11].
Kelemahan yang dimiliki oleh algoritma K-Means yaitu:
1. Di algoritma K-Means user memerlukan angka yang tepat tatkala menentukan
besaran cluster sebanyak k karena terkadang pusat cluster awal dapat berubah
sehingga kejadian ini bisa mengakibatkan pengelompokan evidensi menjadi
tidak stabil.
2. Algoritma K-Means tidak bisa maksimal tatkala menentukan atau
menginisialkan nilai centroid awalnya, karena plong pengelompokan evidensi
seraya algoritma K-Means sangat bergantung plong nilai centroidnya.
3. Output dari K-Means tergantung plong nilai–nilai pusat yang dipilih plong
clustering. Sehingga plong algoritma ini nilai awal titik pusat cluster menjadi
dasar tatkala penentuan k cluster. Pemilihan centroid cluster awal lagam acak
akan memberikan pengaruh terhadap kinerja cluster tertutur [11].
2.1.3.3 Tahap Menunai Clustering seraya Algoritma K-Means
Tahapan tatkala menunai clustering seraya kaidah K-Means adalah
meneladan [12] adalah:
1. Pilih besaran cluster k.
2. Pemberian nilai k pusat cluster ini dapat dinunai seraya berpenaka cara dan
salah satunya adalah lagam random. Pusat cluster diberi nilai awal seraya
angka acak.
3. Alokasikan semua evidensi/objek plong cluster terdekat. Kedekatan dua
objek ditentukan bersendikan jarak kedua objek tertutur. Demikian juga

17
kedekatan suatu evidensi ke cluster tertentu ditentukan jarak antar evidensi
seraya pusat cluster. Tatkala tahap ini perlu dihitung jarak tiap evidensi ke
tiap pusat cluster. Jarak antara satu evidensi seraya satu cluster tertentu akan
menentukan suatu evidensi akan masuk ke tatkala cluster yang mana. Rumus
menghitung jarak evidensi ke setiap titik pusat cluster bisa menyedot jarak
Euclidian Distance yang dituliskan tatkala:
D (i,j) =
.......... (1)
Dimana:
D(i, j) : Jarak evidensi ke i ke pusat cluster j
Xki : Evidensi ke i plong atribut evidensi ke k
Ykj : Titik pusat ke j plong atribut ke k.
4. Kalkulasi lagi pusat cluster seraya keanggotaan cluster yang sekarang. Pusat
cluster adalah average dari semua evidensi/objek tatkala cluster tertentu dan
bisa juga menyedot media dari cluster tertutur.
5. Ulang lagi perintah bagi setiap objek bakal menyedot pusat cluster yang baru.
Jika pusat cluster tidak berubah lagi maka proses cluster selesai. Atau
kembali ke langkah nomor 3 sampai pusat cluster tidak berubah lagi.
Goresan flowchart plong proses perhitungan menyedot algoritma K-Means
[13]:
18
Start
Tentukan
Besaran
Cluster (K)
Tentukan Centroid
Awal (Pusat Cluster)
Hitung Jarak Objek

ke Pusat
Kelompokkan Objek
Bersendikan Jarak
Paling Minimun
Pusat Cluster Baru
Ada Selisih
Pusat Cluster
Lama seraya
yang Baru
End
Goresan 2.2 Flowchart Algoritma K-Means
2.1.4 Perdagangan
19
Perdagangan adalah proses sosial manajerial dimana individu dan
kelompok mendapatkan apa yang mereka butuhkan dan inginkan, menciptakan,
menawarkan, dan mempertukarkan produk yang bernilai seraya pihak lain [14].
Perdagangan adalah etape dari promosi dan promosi adalah salah satu etape dari
keseluruhan skema pemasaran. Perdagangan adalah suatu transfer hak atas benda-
benda, dari penjelasan tertutur tatkala memindahkan atau mentransfer barang dan
jasa diperlukan orang-orang yang bekerja di bidang perdagangan seperti
pepenakaan dagang, agen, wakil pelayanan, dan wakil pemasaran [15].
2.1.5 Alat Bantu Penyediaan Skema
2.1.5.1 Jalan Skema Fakta (ASI)
Jalan Skema Fakta (ASI) melukiskan alat bantu yang menunjukkan arus
pekerjaan lagam keseluruhan dari skema [16]. ASI melukiskan bagan alir yang
menunjukkan arus dari laporan dan borangulir termasuk tembusan-tembusannya.
Bagan ASI menjelaskan urutan dari prosedur-prosedur yang ada tatkala skema
[17]. Beserta ini adalah goresan markah-markah dan eksplanasinya dari jalan
skema fakta (ASI):
Senarai 2.1 Markah Jalan Skema Fakta (ASI)
No Nama Markah Eksplanasi

1 Proses Bakal proses pengelolahan
Jinjingisasi evidensi lagam jinjingisasi.
2 Penghubung Dipukaukan bakal

menghubungkan sambung jalan.
3 Dokumen Dipukaukan bakal operasi input.

20
4 Arsip Melukiskan arsip evidensi yang

dibuatankan.
5 Proses Bakal proses pengelolahan

Manual evidensi lagam manual.
6 Jalan Skema Bakal arah pengjalan evidensi
proses.
7 Basis Bakal media membereskan lagam

Evidensi terjinjingisasi.
8 Pita Kertas Bakal menunjukan input/output

menyedot pita kertas.
9 Display Bakal menampilkan output

kelayar monitor.
10 Manual input Bakal manual input menyedot

keyboard keyboard.
11 Sub Tata olah Permulaan sub tata olah/ proses

menjalankan sub tata olah.
12 Persiapan Proses inisiasi/ pemberian harga

awal.
13 Disket Menunjukkan input/output

menyedot disket.
14 Start Awal/akhir tata olah.
15 Keputusan Langkah pengutipan keputusan.
16 Input/Output Memasukkan evidensi/

menunjukkan buatan dari suatu
proses.
Sumber: Tanjung dan Sukrianto (2017:46)
2.1.6 Pecorakan Skema

21
2.1.6.1 Unified Coraking Language (UML)
Perkembangan teknologi perkakas lunak, diperlukan adanya selidika yang
dipukaukan bakal mecorakkan perkakas lunak yang akan dibuat dan perlu adanya
standarisasi agar orang diberpenaka negara dapat mengerti pecorakan perkakas
lunak. Banyak orang yang telah membuat selidika pecorakan perkakas lunak
sesuai seraya teknologi pemrograman yang dikembangkan plong saat ini.
Perkakas lunak yang dibangun seraya menyedot teknik pemrograman berorientasi
objek, yaitu Unified Coraking Language (UML). UML muncul karena adanya
kebutuhan pecorakan visual bakal menspesifikasikan, menggoresankan,
membangun dan dokumentasi dari skema perkakas lunak.
UML melukiskan selidika visual bakal mecorakkan dan komunikasi
mengenai sebuah skema seraya menyedot buram dan teks-teks penyokong. UML
hanya berpukau bakal menunai pecorakan. Pemakaian UML tidak terlepas plong
metodologi tertentu, meskipun plong kenyataannya UML paling banyak
dipukaukan plong metodologi berorientasi objek [18]. Lagam unum, ada beberapa
jenis UML, yaitu Use Case Buram, Class Buram, Activity Buram, Sequence
Buram dan Deployment Buram seraya penjelasan sepenaka beserta:
1. Use Case Buram
Use case buram adalah suatu urutan interaksi yang saling berkaitan antara
skema dan aktor. Use case dijalankan melalui cara menggoresankan tipe interaksi
antara user suatu tata olah (skema) seraya skemanya sendiri [19]. Use Case adalah
corak yang sangat pukauonal tatkala skema yang menyedot aktor dan use case itu
sendiri. Alangkan Use Case sendiri melukiskan layanan atau pukau yang tersedia
22
plong skema bakal pemakaiannya [20], Beserta ini adalah goresan markah-markah
dan eksplanasinya dari use case buram:
Senarai 2.2 Markah Use Case Buram
Markah Nama Eksplanasi

Actor Menspesifikasikan himpunan
peran yang pemakai mainkan
ketika berinteraksi seraya use
case.
Dependency Hubungan dimana perubahan

yang terjadi plong suatu elemen
mandiri (independent) akan
memengaruhi elemen yang
bergantung plongnya elemen
yang tidak mandiri
(independent).
Generalization Hubungan dimana objek anak
(descendent) berpenaka perilaku
dan struktur evidensi dari objek
yang diatasnya objek induk
(ancestor).
<<uses>> Include Menspesifikasikan bahwa use
case sumber lagam eksplisit.
<<extends>> Extends Menspesifikasikan bahwa use

case target memperluas prilaku
dari use case sumber plong suatu
titik yang diberikan.
Association Apa yang menghubungkan
antara objek satu seraya objek
lainnya.
Skema Menspesifiksikan paket yang
menampilkan skema lagam
terbatas.
Use Case Deskripsi dari urutan aksi-aksi
yang ditempilkan skema yang
mengbuatankan suatu buatan
23
yang terukur bagi suatu aktor

Collaboration Interaksi norma-norma dan
elemen lain yang bekerja sama
bakal menyediakan prilaku yang
lebih besar dari besaran dan
lemen-elemennya (sinergi).
Note Elemen fisik yang eksis saat
aplikasi dijalankan dan
mencerminkan suatu sumber
daya komputasi.
Sumber: Negara, dkk (2021:80)
2. Class Buram
Class buram melukiskan penjelasan proses evidensibase tatkala suatu tata
olah. Tatkala sebuah laporan skema maka class buram ini wajib ada [19]. Beserta.
Beserta ini adalah goresan markah-markah dan eksplanasinya dari class buram:
Senarai 2.3 Markah Class Buram

Nama Kelas Kelas (Class) Terdiri dari 3 (tiga) etape yaitu nama
+atribut class, atribut dan operasi(). Atribut
+operasi() ditaruh dibaris kedua. Ini dapat
dipukaukan bakal mendeskripsikan
daftar variabel. Operasi ditaruh
dibaris ketiga. Dapat dipukaukan
bakal mendaftarkan seluruh pukau
dan prosedur yang dipakai.
Asosiasi Menghubungkan antara class yang
(Association) satu seraya yang lain.
Generalisasi Menghubungkan beberapa class
(Generalitation) yang khusus ke sebuah class yang
lebih tipikal.
Nary Association Upaya bakal menghindari asosiasi
seraya lebih dari 2 (dua) objek.
Collaboration Deskripsi dari urutan aksi-aksi yang

ditampilkan skema yang
mengbuatankan suatu buatan yang
terukur bagi suatu aktor.
Realization Operasi yang benar-benar dinunai
oleh suatu objek.
24
Dependency Hubungan dimana perubahan yang

terjadi plong suatu elemen mandiri
(independent) akan mempengaruhi
elemen yang bergantung plongnya
(elemen yang tidak mandiri).
Sumber: Susanto (2020:54) Sa’ad (2020:50-51)
3. Activity Buram
Activity buram ialah sesuatu yang menjelaskan tentang alir kegiatan tatkala
progrm yang alang dirancang, penakamana proses alir berawal, keputusan yang
mungkin terjadi, dan penakamana skema akan berakhir [19]. Activity buram
adalah sesuatu yang menggoresankan berpenaka alur aktivitas tatkala skema yang
dirancang, penakamana setiap alur dimulai, keputusan yang mungkin terjadi dan
penakamana skema berakhir [20]. Beserta ini adalah goresan markah-markah dan
eksplanasinya dari activity buram:
Senarai 2.4 Markah Activity Buram

Status Awal Melukiskan titik awal atau
(Start State) permulaan. Sebuah activity buram
memiliki sebuah start state.
(Status Akhir) Melukiskan titik akhir dari
End State aktivitas. Sebuah activity buram
memiliki sebuah end state.
Aktivitas Melukiskan aktivitas yang dinunai
(Activity) oleh aktor. Aktivitas lasaknya
diawali seraya kata kerja.
Percabangan Melukiskan pilihan bakal
(Decision) mengambil keputusan. Asosiasi
percabangan dimana jika ada
pilihan aktivitas lebih dari satu.
Interaction
Melukiskan alur.
Penggabungan (Join) Asosiasi penggabungan dimana
lebih dari satu aktivitas
digabungkan menjadi satu.
25
Partisi Peran (Swimlane)Memisahkan organisasi bisnis

yang bertanggung jawab terhadap
aktivitas yang terjadi.
Sumber: Rusmawan (2019:80) Mesran, dkk (2019:10)
4. Sequence Buram
Sequence Buram adalah suatu buram yang menjelaskan interaksi objek dan
menunjukkan (memberi tanda atau petunjuk) komunikasi diantara objek-objek
tertutur [19]. Sequence adalah salah satu jenis buram di UML yang
menggoresankan interaksi objek bersendikan urutan waktu. Sequence buram juga
dapat menggoresankan urutan atau tahapan yang harus dinunai bakal dapat
mengbuatankan seperti plong use case buram [20]. Beserta ini adalah goresan
markah-markah dan eksplanasinya dari sequence buram:
Senarai 2.5 Markah Sequence Buram

Entity class Melukiskan etape dari skema yang berisi
kumpulan kelas berupa entitas-entitas yang
membentuk goresanan awal skema dan
menjadi landasan bakal menyusun basis
evidensi.
Boundary Berisi kumpulan kelas yang menjadi interface
class atau interaksi antara satu atau lebih aktor
seraya skema, seperti tampilan borang entry
dan borang cetak.
Control class Suatu objek yang berisi logika apalikasi yang

tidak memiliki tanggang jawab keplong
entitas. Control object mengkoordinir pesan
antara boundary seraya entitas.
Message Markah mengirim pesan antar class.
Recursive Menyedot pengiriman pesan yang dikirim

bakal dirinya sendiri.
26
Activation Mewakili sebuah eksekusi operasi dari objek

panjang kotak ini berbanding lurus seraya
durasi aktivitas sebuah operasi.
Garis titik-titik yang terhubung seraya objek

Life line sepanjang life line terdapat activation.
Objek Objek entity antarmuka yang saling

berinteraksi.
Message Menyatakan kembali tatkala 1 (satu) objek life

(Return) line.
Message Menyatakan arah kembali antara life line.
(Return)
Message Menyatakan suatu objek mengakhiri hidup
(Destroy) objek yang lain, arah panah mengarah plong
objek yang diakhiri.
Actor Menspesifikasikan himpunan peran pemakai
ketika berinteraksi seraya skema.
Sumber: Muharni (2021:61-62) (Hariyanto, dkk, 2019”20-21)
5. Deployment Buram
Deployment buram melukiskan suatu tampilan atau kinerja diri sebuah
skema yang baru sesuai seraya penyediaan evidensi yang diambil dari beberapa
objek [21] Deployment buram menunjukkan konfigurasi komponen tatkala proses
eksekusi aplikasi [22]. Deployment buram menunjukkan tata letak suatu skema
lagam fisik, dapat juga dikatakan bakal menampilkan etape-etape software yang
terdapat plong hardware dan dipukaukan bakal menerapkan suatu skema dan
hubungan antara komponen hardware [23]. Beserta ini adalah goresan markah-
markah dan eksplanasinya deployment buram:
Senarai 2.6 Markah Deployment Buram
Markah Nama Deskripsi

Package Melukiskan sebuah bungkusan dari satu atau
lebih node.
Node Lasaknya mengacu plong perkakas keras
(hardware), perkakas lunak (software), jika
27
di tatkala node disertakan komponen bakal

mengkonsistenkan rangrangan maka
komponen yang diikutsertakan harus sesuai
seraya komponen yang telah didefinisikan
sebelumnya.
Dependency / Kebergantungan antar node, arah panah
Kebergantungan mengarah plong node yang dipakai.
Link Relasi antar node.
Sumber: Yurindra (2017:34)
2.1.6.2 Flowchart
Flowchart melukiskan kumpulan dari notasi buram markahik yang
menunjukkan jalan evidensi dan urutan operasi tatkala skema. Flowchart
melukiskan kaidah teknik telaah yang diperpukaukan bakal mendeskripsikan
sebesaran aspek dari skema fakta lagam jelas, ringkas dan logis. Sebuah flowchart
akan representasikan grafikal plong suatu skema yang menggoresankan terjadinya
relasi fisik antara entitas kuncinya. Auditor, analis skema, perancang skema dan
tata olah, melukiskan orang-orang yang paling mengenal notasi ini [24]. Beserta
ini adalah goresan markah-markah dan eksplanasinya dari flowchart yaitu:
Senarai 2.7 Markah Flowchart

Tempat mengawali dan mengakhiri suatu
Terminal
skema. Menunjukkan awal atau akhir sebuah
(Terminator)
proses.
Proses Menyatakan kegiatan yang akan terjadi tatkala
(Process) buram alir.
Dipukaukan bakal menunjukkan suatu proses
Predefined yang begitu kompleks, sehingga tidak bisa
Process dijelaskan di buram alir ini dan merujuk plong
buram alir yang terpisah.
Kegiatan
Manual Dipukaukan bakal kegiatan yang dinunai
(Manual lagam manual.
Operation)
28
Dipukaukan bakal memberikan eksplanasi

plong kegiatan. Melambangkan komentar
Eksplanasi tentang suatu atau beberapa etape dari buram
(Annotation) alir. Tentu saja, komentar tidak memiliki
dampak apapun terhadap proses yang
berlangsung.
Menunjukkan operasi yang tidak memiliki
efek khusus selain mempersiapkan sebuah
nilai bakal langkah/ proses besertanya.
Persiapan/ Lambang ini juga dipukaukan bakal
Inisialisasi menggantikan titik keputusan yang lasaknya
berbentuk ketupat jika ingin menyedot
pengulangan plong kondisi tertentu.
Dokumen
Borangulir yang dipukaukan bakal merekam
(Document) evidensi transaksi yang terjadi.
Berpenaka
Markah ini dipukaukan bakal menggoresankan
Dokumen
berpenaka jenis dokumen yang digabungkan
(Multi
bersama di tatkala satu paket.
Document)
Faktur Dokumen dan dokumen asli dan tembusannya.
tembusannya

catatan akuntansi yang dipukaukan bakal
Pencatatan mencatat evidensi yang direkam sebelumnya
(Evidensi) di tatkala dokumen atau borangulir.
Dipukaukan bakal mewakili evidensi masuk,
atau evidensi keluar. Hanya bisa dimulai dari
masukan menuju keluaran, bukan sebaliknya.
Markah ini dipukaukan bakal menunjukkan
Arsip
tempat penyimpanan dokumen. Bakal
Sementara
mengurutkan pengarsipan dokumen
(Merge)
dipukaukan markah:
A = Mengurut Abjad
N = Meneladan Nomor Urut
T = Meneladan Tanggal
Asrip Tetap
arsip permanen yang melukiskan tempat
(Extract)
penyimpanan dokumen yang tidak akan
diproses lagi tatkala skema akuntansi yang
bersangkutan.
29
Konektor
tatkala Lasaknya dipukaukan tatkala pengulangan.
Pelataran On Dipukaukan bakal menghubungkan satu proses
Connector ke proses lainnya, sama halnya seperti tanda
(On-page panah.
Reference)
Konektor
plong Markah ini dipukaukan bakal menggoresankan
Pelataran bagan alir suatu skema akuntansi lebih dari
yang satu pelataran, markah ini harus dipukaukan
Berpautan bakal menunjukkan kemana dan penakamana
(Off Page bagan alir terkait seraya lainnya.
Connector)
Keying Markah ini menggoresankan masukkan
(Typing, evidensi ketatkala jinjing melalui On-line
Verifying) terminal.
Keputusan Markah ini menggoresankan keputusan yang
(Decision) harus dibuat tatkala proses pengolahan
evidensi. Keputusan yang dibuat ditulis tatkala
markah ini.
Garis Alir Markah ini menggoresankan arus proses
(Arrow) pengolahan evidensi. Anak panah tidak
digoresankan jika arus dokumen mengarah ke
bawah dan ke kanan. Jika arus dokumen
mengalir ke atas atau ke kiri, anak panah perlu
dicantumkan.
Persimpangan Markah ini dipukaukan jika dua garis alir
Garis Alir bersimpangan, bakal menunjukkan arah
masing-masing garis, salah satu garis dibuat
melengkung tepat plong persimpangan ke dua
garis tertutur.
Pertemuan Markah ini dipukaukan jika dua garis alir
Garis Alir bertemu dan salah satu garis mengikuti arus
garis lainnya.
Sumber: Mardia (2021:62-67)
2.1.6.3 Entitiy Relationship Buram (ERD)
Entity Relationship Buram (ERD) melukiskan goresanan grafis dari suatu
corak evidensi yang menyertakan deskripsi detail dari seluruh entitas (entity),
hubungan (relationship) dan batasan (constraint) bakal memenuhi kebutuhan
skema analis tatkala menyelesaikan pengembangan sebuah skema. ERD

30
dipukaukan bakal konstruksi corak evidensi konseptual, mecorakkan struktur
evidensi dan hubungan antar evidensi dan mengpengejawantahankan basis
evidensi lagam logika maupun lagam fisik seraya evidensibase mangament system
[25]. Beserta ini adalah markah-markah yang dipukaukan bakal membuat Entity
Relationship Buram yaitu:
Senarai 2.8 Markah Entity Relationship Buram
Markah Nama Deskripsi

Entity
Entitas adalah suatu objek yang dapat
diidentifikasi tatkala lingkungan pemakai.
Weak Entity Entitas lemah adalah suatu entitas yang

keberadaannya tergantung dari entias lain.
Relationship Relasi menunjukkan adanya hubungan diantara
sebesaran entitas yang berpautan.
Identifying
Relationship Relasi identifikasi menunjukkan adanya
identifikasi hubungan seraya relasi lainnya.
Attribute Atribut berpukau mendeskripsikan karakter
entitas.
Attribute
Atribut primary key menunjukkan key atribut
Primary Key
dari entitas.
Line Sepenaka penghubung antar hubungan relasi
seraya himpunan entity atau entitas dan
himpunan entity atau entitas seraya atributnya.
Attribute Atribut gabungan dari sebuah entitas.

Composite
1 to 1 (one to
Menjelaskan sebuah relasi antara satu entitias
one)
seraya satu entitias lainnya.
1 to n (one to
Menjelaskan sebuah relasi antar satu entitias
many)
teradap banyak entitias.
31
Menjelaskan sebuah relasi antar banyak

entitias teradap satu entitias.
n to 1 (many
to one)
Menjelaskan sebuah relasi antara banyak

N to n (many
entitas seraya banyak entitas.
to many)
Sumber: Mujilan (2017:58-59)
2.1.7 Perkakas Lunak yang Dipukaukan
2.1.7.1 Sublime Text
Sublime text adalah aplikasi editor bakal kode dan teks yang dapat berjalan
di berpenaka platborang operating system seraya menyedot teknologi Phyton
API. Terciptanya aplikasi ini terinspirasi dari aplikasi Vim. Aplikasi ini sangat
fleksibel dan powefull. Pukauonalitas dari aplikasi ini dapat dikembangkan seraya
menyedot sublime-packages. Sublime text bukan aplikasi open source, yang
artinya aplikasi ini membutuhkan lisensi yang harus dibeli. Akan tetapi beberapa
fitur pengembangan pukauonalitas dari aplikasi ini melukiskan buatan dari
temuan dan mendapat dukungan penuh dari komunitas serta memiliki lisensi
aplikasi gratis [20].

32
Goresan 2.3 Sublime Text
Beserta beberapa fitur yang diunggulkan dari aplikasi Sublime Text 2.0.2:
a. Goto Anything
Fitur yang sangat membantu tatkala membuka file ataupun menjelajahi isi
dari file hanya seraya beberapa keystrokes.
b. Multiple Selections
Fitur ini memungkinkan user bakal mengubah lagam interaktif banyak baris
sekaligus, mengubah nama variabel seraya mudah, dan memanipulasi file
lebih cepat dari sebelumnya.
c. Command Pallete
Seraya hanya beberapa keystorkes, user dapat seraya cepat mencari pukau
yang diinginkan, tanpa harus menavigasi melalu menu.
d. Distraction Free Mode
Bila user memerlukan fokus penuh plong aplikasi ini, fitur ini dapat
membantu user seraya memberikan tampilan layar penuh. Split Editing
dapatkan buatan yang maksimal dari monitor layar lebar seraya dukungan
editing perpecahan. Mengedit sisi file seraya sisi, atau mengedit dua lokasi di
33
satu file. Anda dapat mengedit seraya banyak baris dan kolom yang user
inginkan.
e. Instant Project Switch
Menangkap semua file yang dimasukkan ketatkala project plong aplikasi ini.
Terintegrasi seraya fitur Goto Anything bakal menjelajahi semua file yang ada
ataupun bakal beralih ke file tatkala project lainnya seraya cepat.
f. Plugin API
Dilengkapi seraya plugin API berbasis Phyton sehingga membuat aplikasi ini
sangat tangguh.
g. Customize Anything
Aplikasi ini memberikan user fleksibilitas tatkala hal pengnorma pukauonal
tatkala aplkasi ini.
h. Cross Platborang
Aplikasi ini dapat berjalan hampir disemua operating system modern seperti
Windows, OS X, dan Linux based operating system.
2.1.7.2 PHP
PHP singkatan dari Hypertext Preprocessor melukiskan selidika
pemrograman yang dapat dipukaukan seraya gratis dan bersifat open source. PHP
dirilis tatkala lisensi PHP License, sedikit berpautan seraya lisensi GNU General
Public License (GPL) yang lasak dipukaukan bakal proyek open source.
Kemudahan dan kepopuleran PHP sudah menjadi standar bagi tata olahmer web
di seluruh dunia. Ada 82% dari web server di dunia menyedot PHP. [26]. Salah
satu pukau dari PHP yaitu dapat disisipkan plong dokumen HTML. Karena
34
kemahiran ini juga PHP sering ditutur sepenaka selidika pemrograman script atau
scripting language. Beserta ini melukiskan sintaksis dasar plong PHP [27]:
1. Pembatas
PHP hanya mengeksekusi kode yang ditulis tatkala pembatas sepenakamana
ditentukan oleh dasar sintaks PHP. Apapun di luar pembatas tidak diproses
oleh PHP. Pembatas paling tipikal adalah “<?php” bakal membuka dan “?>”
bakal menutup kode PHP. Target dari pembatas ini adalah bakal memisahkan
kode PHP dari kode di luar PHP, seperti HTML dan Javascript.
2. Variabel
Variabel tatkala PHP diawali seraya markah dolar “$”. Plong versi PHP 5
diperkenalkan jenis isyarat yang memungkinkan pukau bakal memaksanya
menjadi parameter objek dari class tertentu, array, atau pukau angka atau
string. Contoh variabel dapat ditulis sepenaka $nama_variabel.
3. Komentar
PHP memiliki 3 (tiga) jenis sintaks sepenaka komentar plong kode yaitu blok
“/**/”, komentar 2 (dua) baris “//”, serta tanda “#” dipukaukan bakal
komentar 1 (satu) baris. Komentar bertarget bakal meninggalkan catatan
plong kode PHP dan tidak akan diterjemahkan ke tata olah.

35
Goresan 2.4 Codding PHP di Sublime Text
2.1.7.3 XAMPP
XAMPP adalah paket tata olah web lengkap yang dapat dipakai bakal
belajar pemograman web, khususnya PHP dan MySQL.. Pukaunya adalah
sepenaka server yang berdiri sendiri (localhost), yang terdiri atas tata olah Apache
HTTP Server, MySQL evidensibase, dan penerjemah selidika yang ditulis seraya
selidika pemrograman PHP. Etape penting dari XAMPP yang diasa dipukaukan
[28].
1. Htdoc adalah folder tempat meletakkan berkas-berkas yang akan dijalankan,
seperti berkas PHP, HTML dan script lain.

36
2. Phpmytadbir melukiskan etape bakal mengelola basis evidensi mysql yang
terdapat dijinjing. Bakal membukanya, buka browser lalu ketikkan alamat
http://localhost/phpmytadbir, maka akan muncul pelataran phpmytadbir.
3. Kontrol Panel yang berpukau bakal mengelola layanan (service) XAMPP.
Seperti menghentikan (stop) layanan, ataupun memulai (start).
Goresan 2.5 XAMPP
2.1.7.4 MySQL
MySQL melukiskan salah satu jenis RDBNS (Relational Evidensibase
Management System) yang menyedot SQL (Structured Query Language)
sepenaka selidika dasar bakal mengakses evidensibase dan bersifat open source
(gratis). Plong MySQL sebuah evidensibase mengandung satu atau sebesaran
senarai yang dipukaukan bakal membereskan evidensi. Senarai terdiri atas
sebesaran baris dan kolom [29].
Sepenaka DBMS, MySQL mempunyai sebesaran fitur yaitu:
1. Multiplatborang
MySQL tersedia plong beberapa platborang yaitu Windows, Linux, Unix dan
lainnya.
37
2. Andal, Cepat, dan Mudah Dipukaukan
MySQL tergolong sepenaka evidensibase sever yang andal, dapat menangani
evidensibase yang besar seraya kecepatan tinggi, mendukung banyak sekali
pukau bakal mengakses evidensibase, dan sekaligus mudah bakal
dipukaukan.
3. Jaminan Keamanan Akses
MySQL mendukung pengamanan evidensibase seraya berpenaka patokan
pengaksesan. Sepenaka goresanan, dimungkinkan bakal mengatur user
tertentu agar bisa mengakses evidensi yang bersifat rahasia, alangkan user
lain tidak boleh.
4. Dukungan SQL
MySQL mendukung perintah SQL (Structured Query Langeage) yang
melukiskan standar tatkala pengaksesan evidensibase relasional. Pengatahuan
SQL akan mempermudah bakal menyedot MySQL (Kadir, 2019:2-3).
Goresan 2.6 PHP MyTadbir

38
2.2 Tinjauan Penggalian Sebelumnya
Beserta beberapa penggalian yang relevan seraya skripsi ini adalah:
1. M.Hasyim Siregar (2018) menunai penggalian seraya judul “Klasterisasi
Perdagangan Alat-Alat Banpukaun Menyedot Kaidah K-Means (Studi Kasus
di Gardu Adi Banpukaun).” Buatannya adalah penerapan kaidah clustering
dapat menentukan pembelian stok barang yang diperlukan seraya cepat dan
didapat kelompok barang yang laris sebanyak 10 item sehingga prioritas
pembelian stok diarahkan plong 10 item tertutur.
2. Haditsah Annur (2019) menunai penggalian seraya judul “Penerapan
Evidensi Mining Menentukan Strategi Perdagangan Variasi Mobil Menyedot
Kaidah K-Means Clustering (Studi Kasus Gardu Luxor Variasi Gorontalo).”
Dari buatan penggalian didapatkan Dapat diketahui bahwa Aplikasi evidensi
mining bakal menentukan strategi perdagangan plong Gardu Luxor Variasi
Gorontalo seraya Menyedot Kaidah K-Means Clustering yang dirancang
dapat dipukaukan.
3. Fitri Indriyani dan Eni Irfiani (2019) menunai penggalian seraya judul
“Clustering Evidensi Perdagangan plong Gardu Perlengkapan Outdoor
Menyedot Kaidah K-Means.” Buatannya adalah penerapan kaidah K-Means
tatkala pengelompokan evidensi perdagangan plong Gardu Genta Corp dapat
mengbuatankan rekomendasi barang yang laris, kurang laris dan cukup laris.
Sehingga buatan tertutur dijadikan rujukan bagi menagemen bakal mengatur
stok barang agar gardu tidak mengecewakan pelanggan karena barang yang
ingin dibeli tidak tersedia.

39
4. Saut Parsaoran Tamba, Felix Toknady Kesuma, dan Feryanto (2019) menunai
penggalian seraya judul “Penerapan Evidensi Mining bakal Menentukan
Perdagangan Sparepart Toyota seraya Kaidah K-Means Clustering.”
Buatannya adalah seraya adanya pengolahan evidensi yang dinunai
diharapkan dapat memberikan solusi keplong pihak perusahaan agar dapat
mengetahui mana barang yang paling laris, laris dan mana barang yang tidak
laris.
5. Suhandio Handoko, Fauziah, dan Endah Tri Esti Handayani (2020) menunai
penggalian seraya judul “Pengejawantahan Evidensi Mining bakal
Menentukan Tingkat Perdagangan Paket Evidensi Telkomsel Menyedot
Kaidah K-Means Clustering.” Buatannya adalah mempermudah clustering
sebuah evidensi transaksi perdagangan, sehingga dapat menghemat waktu dan
membuat strategi bakal meningkatkan perdagangan paket evidensi.
2.3 Kondisi Pemikiran
Adapun kondisi pemikiran tatkala penggalian yang berjudul “Telaah
Tingkat Laku Perdagangan Elektronik Dan Alat Seraya Perhitungan K-
Means” adalah:
Perpersoalanan
Teori dan Solusi
Software yang Dipukaukan
Pengejawantahan
Buatan
40
Goresan 2.7 Kondisi Pemikiran
2.4 Tinjauan Tipikal Perusahaan
2.4.1 Gardu Sombahuta Jaya Elektronik dan Alat
Plong tahun 2009 awal berdirinya gardu Sombahuta Jaya Elektronik dan
Alat. Dimana plong pertama kali berdiri hanya menjual televisi tabung selama 1
tahun. Plong tahun 2010 menambah beberapa produk elektronik selain televisi
yaitu, mesin cuci, kulkas, air conditioner (AC) dan yang lainnya.
Perkembangan gardu dari tahun ke tahun mengalami peningkatan. Plong
tahun 2015 banyaknya anjuran konsumen terhadap produk prabot rumah tangga
atau furniture, sehingga gardu menambah produk tertutur.
Plong tahun 2018 Gardu Sombahuta Jaya Elektronik dan Alat membuka
cabang yang beralamat di Prapat Janji terkhusus bakal alat atau furniture.
Sehingga Gardu Sombahuta Jaya Elektronik dan Alat memiliki dua gardu khusus
bakal elektronik dan alat.
2.4.2 Visi dan Misi Gardu Sombahuta Jaya Elektronik dan Alat
Beserta ini adalah visi dan misi dari Gardu Sombahuta Jaya Elektronik dan
Alat
1. Visi dari Gardu Sombahuta Jaya Elektronik dan Alat
Menjadi usaha unggul yang dapat memenuhi semua kebutuhan domestik akan
barang elektronik dan alat agar tercipta kemajuan bangsa yang lebih baik.
2. Misi dari Gardu Sombahuta Jaya Elektronik dan Alat

41
a. Menjalankan kegiatan usaha seraya standar etika, kejujuran dan
integritas yg baik.
b. Memenuhi kebutuhan pelanggan seraya selalu menyediakan produk
yang berkualitas.
c. Memnerikan edukasi perihal produk yang dijual agar pelanggan
mendapatkan pemahaman yang lengkap.
d. Menciptakan suasana kerja yang nyaman agar karyawan dapat berkarya
seraya maksimal, dan memiliki kehidupan yang sejahtera.
e. Bertanggung jawab tatkala bekerja bakal masyarakat dan lingkungan
tempat usaha.
f. Mengutamakan pelayanan yang baik sehingga dapat tercipta
hubungan yang harmonis antar konsumen dan vendor.
2.5 Hipotesis
Adapun hipotesis tatkala penggalian ini adalah menyedot skema seraya
kaidah K-Means plong evidensi mining bakal mengelompokkan produk yang laris
dan yang tidak laris terjual, sehingga proses pengutipan keputusan menjadi lebih
baik bagi Gardu Sombahuta Jaya Elektronik dan Alat.

BAB III
METODOLOGI PENGGALIAN
3.1 Kondisi Kerja Penggalian
Kondisi penggalian melukiskan langkah-langkah yang akan dinunai tatkala
penyelesaian persoalan yang akan diselidik. Adapun kondisi kerja penggalian
yang dipukaukan adalah:
Identifikasi Persoalan
Mempelajari Literatur
Mengumpulkan Evidensi
Memproses Evidensi Menyedot

Teknik Evidensi Mining seraya
Kaidah K-Means
Mengtelaah Evidensi Buatan Teknik

Evidensi Mining seraya Kaidah K-
Means
Penyediaan Skema
Percobaan Skema
Pengejawantahan Skema
Goresan 3.1 Kondisi Kerja
41
42
Adapun uraian kondisi kerja plong goresan 3.1 adalah:
1. Identifikasi Persoalan
Plong tahap ini penulis menunai identifikasi persoalan yang terjadi di Gardu
Sombahuta Jaya Elektronik dan Prabot yaitu Perdagangan di Gardu
Sombahuta Jaya Elektronik dan Prabot mengalami fluktuasi. Gardu
Sombahuta Jaya Elektronik dan Prabot tidak dapat mengelompokkan produk
yang laris dan yang tidak laris terjual. Gardu Sombahuta Jaya Elektronik dan
Prabot kesulitan yang dialami yaitu seringnya kekurangan stok produk yang
laku karena perdagangannya tinggi. Menumpuknya produk yang tidak laku di
gudang karena penjualnnya rendah.
2. Mempelajari Literatur
Plong tahap ini pengkaji mengumpulkan evidensi seraya cara mempelajari
teori dan konsep dari literatur yang akurat seraya persoalan penggalian,
dimana pengkaji banyak mencari evidensi-evidensi dari beberapa buku dan
jurnal di internet yang sesuai seraya perpersoalanan yang dihadapi. Penulis
mencari penjelasan mengenai definisi evidensi mining, clustering, algoritma
K-Means, pecorakan skema yaitu flowchart, Entity Relationship Buram
(ERD), Unified Corakling Language (UML), dan perkakas lunak yang
dipukaukan yaitu selidika pemrograman PHP dan evidensibase MySQL.
3. Mengumpulkan Evidensi
Plong tahap ini, penulis mengumpulkan evidensi-evidensi yang diperlukan
tatkala klasterisasi produk yaitu adalah produk laris dan produk tidak laris
seraya atribut yaitu jenis produk dan harga. Penulis menunai wawancara
langsung ke Gardu Sombahuta Jaya Elektronik dan Prabot.

43
4. Memproses Evidensi Menyedot Teknik Evidensi Mining seraya Kaidah K-
Means
Plong tahap ini, evidensi perdagangan yang telah dikumpulkan dari gardu
Sombahuta Jaya akan diproses menyedot teknik evidensi mining seraya
kaidah K-Means. Algoritma K-Means plong dasarnya menunai 2 proses yakni
proses pendeteksian lokasi pusat cluster dan proses pencarian anggota dari
tiap-tiap cluster. Proses clustering dimulai seraya mengidentifikasi evidensi
yang akan dikluster, Xij (i=1,...,n; j=1,...,m) seraya n adalah besaran evidensi
yang akan dikluster dan m adalah besaran variabel. Plong awal iterasi, pusat
setiap kluster ditetapkan lagam bebas (sembarang), Ckj (k=1,...,k; j=1,...,m).
Kemudian dihitung jarak antara setiap evidensi seraya setiap pusat cluster.
Bakal menunai penghitungan jarak evidensi ke-I (xi) plong pusat cluster ke-k
(ck), dapat dipukaukan borangula Euclidean. Suatu evidensi akan menjadi
anggota dari cluster ke-k apabila jarak evidensi tertutur ke pusat cluster ke-k
bernilai paling kecil jika dibandingkan seraya jarak ke pusat cluster lain.
5. Mengtelaah Evidensi Buatan Teknik Evidensi Mining seraya Kaidah K-
Means
Plong tahap ini, penulis menunai telaah evidensi buatan teknik evidensi
mining seraya kaidah K-Means bakal mengetahui keakuratan evidensi yang
dibuatankan Buatannya adalah 2 (dua) klasterisasi yaitu produk laris dan
produk tidak laris.
6. Penyediaan Skema
Penyediaan skema adalah memikirkan penakamana membentuk skema yang
akan dibuat. Penyediaan skema menyedot Unified Coraking Language
(UML) dan entity relationship buram yang digoresankan menyedot aplikasi

44
Visual Paradigm. Evidensi mining seraya kaidah K-Means Clustering akan
dibangun menyedot selidika pemrograman PHP dan evidensibase MySQL.
7. Percobaan Skema
Percobaan skema melukiskan percobaan tata olah perkakas lunak yang
lengkap dan terintegrasi. Percobaan skema dinunai seraya membandingkan
buatan perhitungan manual seraya skema. Apabila telah lulus percobaan, maka
teknik evidensi mining seraya kaidah K-Means dapat dipengejawantahankan.
8. Pengejawantahan Skema
Impelementasi skema adalah proses dimana skema telah dipukaukan oleh
instansi. Ketika skema telah dipengejawantahankan diperolelah kelebihan dan
kekurangan dari skema tertutur.
3.2 Kaidah Penggalian
Kaidah penggalian yang dipukaukan tatkala penggalian ini adalah
kuantitatif yaitu penggalian yang menyedot evidensi berupa angka yang diolah
menyedot rumus sehingga memdapat buatan bersendikan perhitungan seraya
rumus tertutur. Target kaidah penggalian ini adalah bakal mendeskripsikan objek
yang diteliti yaitu evidensi produk di Gardu Sombahuta Jaya Elektronik dan
Prabot, bersendikan buatan perhitungan kaidah K-Means. Pengkaji
mengelompokkan evidensi produk seraya teknik evidensi mining menyedot kaidah
K-Means sepenaka teknik telaah evidensinya. Evidensi mining melukiskan sebuah
proses yang menyedot teknik statistik, matematika, kecerdasan buatan, dan
machine learning yang mengekstraksi dan mengidentifikasi fakta yang berkhasiat
dan pengetahuan yang terakit dari berpenaka evidensibase yang besar.

45
3.3 Teknik Pengumpulan Evidensi
Teknik pengumpulan evidensi plong penggalian ini dinunai melalui:
1. Observasi
Penulis menunai observasi plong Gardu Sombahuta Jaya Elektronik dan
Prabot. Kegiatan yang dinunai adalah mengamati setiap evidensi produk
yang ada di tatkala buku besar.
2. Wawancara
Penulis menunai wawancara langsung seraya Pimpinan di Gardu
Sombahuta Jaya Elektronik dan Prabot. Teknik pengumpulan evidensi seraya
cara mengadakan tanya jawab lagam langsung keplong manajemen di Gardu
Sombahuta Jaya Elektronik dan Prabot.
3. Dokumentasi
Penulis mendapatkan evidensi produk di Gardu Sombahuta Jaya Elektronik
dan Prabot selama bulan Januari 2021 sampai seraya Desember 2021 yang
nantinya akan diolah oleh penulis sepenaka buatan dari penggalian ini.
3.4 Waktu dan Tempat Penggalian
Plong kesempatan tatkala menunai penggalian ini, penulis mengambil riset
di Gardu Sombahuta Jaya Elektronik dan Prabot. Tatkala menunai penggalian
nantinya penulis menunai riset seraya mengambil evidensi-evidensi yang
diperlukan bakal membangun aplikasi ini. Penulis mepenakakan riset dari bulan
Agustus 2022 sampai seraya Desember 2022.

46
Senarai 3.1 Waktu Penggalian
Waktu
Agustus September Oktober November Desember
No Ket
2022 2022 2022 2022 2022
1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4
Bimbingan
1
Skripsi
Survey
2
Lapangan
Penentuan
3
Persoalan
Pengumpulan
4
Evidensi
Pembuatan
Proposal
5
1. Penulisan
Pendahuluan
2. Penulisan
Tinjauan
Pustaka
3. Penulisan
Kaidah
Penggalian
4. Seminar
Proposal
5. Penulisan
Telaah dan
Penyediaan
6. Penulisan
Pengejawant
ahan dan
Buatan
7. Penulisan
Kesimpulan
dan Saran
6 Seminar Buatan
Perbaikan atau
Revisi Jika
7
Skema Tidak
Sesuai
8 Sidang
BAB IV
ANALISA DAN PENYEDIAAN
4.1 Telaah Skema
Telaah skema diartikan sepenaka cara bakal memahami terlebih dahulu
persoalan-persoalan yang dihadapi skema, misalnya seraya mendefinisikan
persyaratan pukauonal skema sehingga memungkinkan bakal mengetahui apa
kebutuhan pemakai. Target telaah skema adalah bakal mengidentifikasi dan
mengevaluasi persoalan yang muncul, yang mengarah plong perbaikan dan
pengembangan solusi ke arah yang lebih baik dan sesuai seraya kebutuhan.
Adapun jalan skema fakta yang alang berjalan plong telaah tingkat laku
perdagangan elektronik dan alat di Gardu Sombahuta Jaya Elektronik dan Alat
adalah:
1. Tadbir menerima evidensi perdagangan.
2. Bersendikan berkas laporan evidensi perdagangan tertutur, Tadbir
menghitung evidensi perdagangan yang mengbuatankan klasterisasi evidensi
sebanyak 4 (empat) klaster yang menjadi berkas laporan prediksi tingkat laku
perdagangan
3. Buatan laporan yang telah selesai diberikan keplong Pimpinan bakal diperiksa
dan disetujui.
4. Evidensi prediksi tingkat laku perdagangan yang telah disetujui oleh
Pimpinan diserahkan keplong Tadbir sebanyak 1 (satu) rangkap dan
diarsipkan oleh Pimpinan 1 (satu) rangkap.
47
48
Beserta ini adalah goresan jalan skema fakta plong telaah tingkat laku
perdagangan elektronik dan alat di Gardu Sombahuta Jaya Elektronik dan Alat
adalah:
Goresan 4.1 Jalan Skema Fakta Lama
4.1.1 Telaah Persoalan
Telaah persoalan melukiskan langkah awal yang harus dinunai tatkala
menunai telaah skema. Telaah persoalan plong telaah tingkat laku perdagangan
elektronik dan alat di Gardu Sombahuta Jaya Elektronik dan Alat adalah:
4. Perdagangan di Gardu Sombahuta Jaya Elektronik dan Alat mengalami
fluktuasi.
49
5. Gardu Sombahuta Jaya Elektronik dan Alat tidak dapat mengelompokkan
produk yang laris dan yang tidak laris terjual.
6. Gardu Sombahuta Jaya Elektronik dan Alat kesulitan yang dialami yaitu
seringnya kekurangan stok produk yang laku karena perdagangannya tinggi.
7. Menumpuknya produk yang tidak laku di gudang karena penjualnnya rendah.
4.1.2 Telaah Kebutuhan Skema
Mengatasi perpersoalanan plong skema yang lama perlu adanya
pengembangan dan perubahan ke skema yang baru seraya menganalisa apa yang
menjadi kebutuhan pemakainya. Telaah kebutuhan skema terdiri atas telaah
evidensi, telaah pemakai, telaah perkakas keras dan telaah perkakas lunak. Telaah
kebutuhan telaah tingkat laku perdagangan elektronik dan alat di Gardu
Sombahuta Jaya Elektronik dan Alat dinunai bakal mengetahui hal-hal yang
dibutuhkan bakal memperbaiki skema tertutur sehingga menjadi lebih baik lagi.
4.1.2.1 Telaah Evidensi Masukan
Telaah evidensi masukan plong klasterisasi evidensi perdagangan di Gardu
Sombahuta Jaya Elektronik dan Alat seraya mekhasiatkan kaidah K-Means
menyedot evidensi perdagangan selama Januari 2022 sampai seraya Desember
2022.
Senarai 4.1 Evidensi Perdagangan di Gardu Sombahuta Jaya Elektronik dan

Alat
Januari 2022 sampai seraya Desember 2022
2022
Jenis Barang
Jan Feb Mar Apr May Jun
Kulkas 24 22 19 30 26 23
50
Tv 28 18 23 20 30 20
Kipas Angin 30 34 29 23 28 20
AC 20 18 21 20 22 26
Mesin Cuci 23 20 27 21 23 23
Blender 20 25 21 24 24 26
Dispenser 26 30 27 30 28 29
Setrika 23 26 29 24 23 23
Speaker 23 24 24 25 26 23
Meja Makan 20 19 23 21 27 31
Rak TV 30 26 23 25 33 20
Meja Rias 28 32 23 19 20 30
Sofa 20 25 29 20 19 23
Lemari Pakaian 30 28 33 22 20 27
Spring Bed 12 14 16 18 20 14
2022
Jenis Barang
Jul Aug Sep Oct Nov Dec
Kulkas 25 27 22 29 30 28
Tv 33 23 29 30 25 22
Kipas Angin 19 31 17 33 27 29
AC 23 30 20 23 27 25
Mesin Cuci 20 30 23 30 28 29
Blender 25 23 24 23 21 23
Dispenser 27 28 27 25 30 29
Setrika 25 21 23 26 24 25
Speaker 25 24 21 27 24 23
Meja Makan 20 35 28 38 25 30
Rak TV 32 30 24 31 25 32
Meja Rias 32 28 23 37 24 20
Sofa 30 19 32 29 30 19
Spring Bed 15 16 13 13 14 17
4.1.2.2 Telaah Proses
Beserta ini adalah algoritma K-Means Clustering dari telaah tingkat laku
perdagangan elektronik dan alat di Gardu Sombahuta Jaya Elektronik dan Alat:
1. Menentukan besaran cluster
Besaran cluster adalah besaran dari kelompok yang akan dibuatankan.

Plong penggalian ini cluster yang akan dibuatankan adalah sebanyak 4
cluster.
51
2. Menentukan nilai centroid awal
Inisialisasikan pusat cluster awal (initial centroid) seraya besaran cluster

(K) sebanyak 4 cluster, maka diambil evidensi Kulkas, Tv, Kipas Angin
dan Ac, adapun nilai pusat cluster awal dapat dilihat plong senarai 4.3
beserta:
Senarai 4.2 Iterasi 1
2022
Jenis Barang
Kulkas 24 22 19 30 26 23
Tv 28 18 23 20 30 20
Kipas Angin 30 34 29 23 28 20
AC 20 18 21 20 22 26
Mesin Cuci 23 20 27 21 23 23
Blender 20 25 21 24 24 26
Dispenser 26 30 27 30 28 29
Setrika 23 26 29 24 23 23
Speaker 23 24 24 25 26 23
Meja Makan 20 19 23 21 27 31
Rak TV 30 26 23 25 33 20
Meja Rias 28 32 23 19 20 30
Sofa 20 25 29 20 19 23
Spring Bed 12 14 16 18 20 14
2022
Jenis Barang
Kulkas 25 27 22 29 30 28
Tv 33 23 29 30 25 22
Kipas Angin 19 31 17 33 27 29
AC 23 30 20 23 27 25
Mesin Cuci 20 30 23 30 28 29
Blender 25 23 24 23 21 23
Dispenser 27 28 27 25 30 29
Setrika 25 21 23 26 24 25
Speaker 25 24 21 27 24 23
Meja Makan 20 35 28 38 25 30
Rak TV 32 30 24 31 25 32
Meja Rias 32 28 23 37 24 20
Sofa 30 19 32 29 30 19
Spring Bed 15 16 13 13 14 17
52
Senarai 4.3 Pusat Cluster
Cluster Jan Feb Mar Apr May Jun

C1 24 22 19 30 26 23
C2 28 18 23 20 30 20
C3 30 34 29 23 28 20
C4 20 18 21 20 22 26
Cluster Jul Aug Sep Oct Nov Dec
C1 25 27 22 29 30 28
C2 33 23 29 30 25 22
C3 19 31 17 33 27 29
C4 23 30 20 23 27 25
3. Perhitungan jarak pusat cluster (Iterasi 1)
Perhitungan jarak pusat cluster seraya evidensi menyedot rumus

Encludean Distance, yaitu:
De = √(𝑥𝑖 − 𝑠𝑖)2 + (𝑦𝑖 − 𝑡𝑖)2
Senarai 4.4 Jarak ke Pusat Cluster
Pusat Cluster C1 C2 C3 C4
Kulkas 0 19,07878403 21,09502311 15,23154621
Tv 19,07878403 0 27,83882181 21,44761059
Kipas Angin 21,09502311 27,83882181 0 25,35744467
AC 15,23154621 21,44761059 25,35744467 0
Mesin Cuci 14,14213562 20,39607805 18,30300522 12
Blender 15,49193338 18,97366596 24,87971061 13,34166406
Dispenser 14,79864859 22,64950331 20,29778313 21,42428529
Setrika 15,90597372 18,13835715 19,84943324 16,58312395
Speaker 11,40175425 15,87450787 19,31320792 13,19090596
Meja Makan 20,54263858 25,25866188 25,59296778 20,19900988
Rak TV 16,0623784 16,673332 19,10497317 23,74868417
Meja Rias 23,51595203 22,64950331 23,32380758 24,67792536
Sofa 22,53885534 18,76166304 29,78254522 23,02172887
Lemari Pakaian 32,34192326 22,84731932 35,67912555 33,61547263
Spring Bed 37,58989226 39,05124838 44,58699362 29,9833287
Jenis Barang Keanggotaan Min Jarak Kuadrat

Kulkas C1 0 0
53
Tv C2 0 0
Kipas Angin C3 0 0
AC C4 0 0
Mesin Cuci C4 12 144
Blender C4 13,34166406 178
Dispenser C1 14,79864859 219
Setrika C1 15,90597372 253
Speaker C1 11,40175425 130
Meja Makan C4 20,19900988 408
Rak TV C1 16,0623784 258
Meja Rias C2 22,64950331 513
Sofa C2 18,76166304 352
Lemari Pakaian C2 22,84731932 522
Spring Bed C4 29,9833287 899
WCV 3876
Senarai 4.5 Pusat Cluster Baru
C1 C1 C1 C1 C1 C1
Jenis Barang
Kulkas 24 22 19 30 26 23
Tv
Kipas Angin
AC
Mesin Cuci
Blender
Dispenser 26 30 27 30 28 29
Setrika 23 26 29 24 23 23
Speaker 23 24 24 25 26 23
Meja Makan
Rak TV 30 26 23 25 33 20
Meja Rias
Sofa
Lemari Pakaian
Spring Bed
Rata-rata 25.2 25.6 24.4 26.8 27.2 23.6
C1 C1 C1 C1 C1 C1
Jenis Barang
Jul Aug Sep Oct Nov Des
Kulkas 25 27 22 29 30 28
Tv
Kipas Angin
AC
Mesin Cuci
Blender
54
Dispenser 27 28 27 25 30 29
Setrika 25 21 23 26 24 25
Speaker 25 24 21 27 24 23
Meja Makan
Rak TV 32 30 24 31 25 32
Meja Rias
Sofa
Lemari Pakaian
Spring Bed
Rata-rata 26.8 26 23.4 27.6 26.6 27.4
C2 C2 C2 C2 C2 C2
Jenis Barang
Kulkas
Tv 28 18 23 20 30 20
Kipas Angin
AC
Mesin Cuci
Blender
Dispenser
Setrika
Speaker
Meja Makan
Rak TV
Meja Rias 28 32 23 19 20 30
Sofa 20 25 29 20 19 23
Spring Bed
Rata-rata 26.5 25.75 27 20.25 22.25 25
C2 C2 C2 C2 C2 C2
Jenis Barang
Kulkas
Tv 33 23 29 30 25 22
Kipas Angin
AC
Mesin Cuci
Blender
Dispenser
Setrika
Speaker
Meja Makan
Rak TV
Meja Rias 32 28 23 37 24 20
Sofa 30 19 32 29 30 19
Spring Bed
55
Rata-rata 33 22.25 30.75 31 24.75 20.25
C3 C3 C3 C3 C3 C3
Jenis Barang
Kulkas
Tv 30 34 29 23 28 20
Kipas Angin
AC
Mesin Cuci
Blender
Dispenser
Setrika
Speaker
Meja Makan
Rak TV
Meja Rias
Sofa
Lemari Pakaian
Spring Bed
Rata-rata 30 34 29 23 28 20
C3 C3 C3 C3 C3 C3
Jenis Barang
Kulkas
Tv
Kipas Angin 19 31 17 33 27 29
AC
Mesin Cuci
Blender
Dispenser
Setrika
Speaker
Meja Makan
Rak TV
Meja Rias
Sofa
Lemari Pakaian
Spring Bed
Rata-rata 19 31 17 33 27 29
C4 C4 C4 C4 C4 C4
Jenis Barang
Kulkas
Tv
Kipas Angin
AC 20 18 21 20 22 26
56
Mesin Cuci 23 20 27 21 23 23
Blender 20 25 21 24 24 26
Dispenser
Setrika
Speaker
Meja Makan 20 19 23 21 27 31
Rak TV
Meja Rias
Sofa
Lemari Pakaian
Spring Bed 12 14 16 18 20 14
Rata-rata 19 19,2 21,6 20,8 23,2 24
C4 C4 C4 C4 C4 C4
Jenis Barang
Kulkas
Tv
Kipas Angin
AC 23 30 20 23 27 25
Mesin Cuci 20 30 23 30 28 29
Blender 25 23 24 23 21 23
Dispenser
Setrika
Speaker
Meja Makan 20 35 28 38 25 30
Rak TV
Meja Rias
Sofa
Lemari Pakaian
Spring Bed 15 16 13 13 14 17
Rata-rata 20,6 26,8 21,6 25,4 23 24,8
Senarai 4.6 Jarak Antar Cluster Baru
Cluster 1 Cluster 2 D
C1 C2 19,07878403
C1 C3 21,09502311
C1 C4 15,23154621
C2 C3 27,83882181
C2 C4 21,44761059
C3 C4 25,35744467
BVC 130,0492304
Ratio Seb. 0
Ratio 0,033552433
Iterasi akan dilanjutkan jika ratio sekarang lebih dari ratio sebelumnya.
57
2022
Jenis Barang
Kulkas 24 22 19 30 26 23
Tv 28 18 23 20 30 20
Kipas Angin 30 34 29 23 28 20
AC 20 18 21 20 22 26
Mesin Cuci 23 20 27 21 23 23
Blender 20 25 21 24 24 26
Dispenser 26 30 27 30 28 29
Setrika 23 26 29 24 23 23
Speaker 23 24 24 25 26 23
Meja Makan 20 19 23 21 27 31
Rak TV 30 26 23 25 33 20
Meja Rias 28 32 23 19 20 30
Sofa 20 25 29 20 19 23
Spring Bed 12 14 16 18 20 14
2022
Jenis Barang
Kulkas 25 27 22 29 30 28
Tv 33 23 29 30 25 22
Kipas Angin 19 31 17 33 27 29
AC 23 30 20 23 27 25
Mesin Cuci 20 30 23 30 28 29
Blender 25 23 24 23 21 23
Dispenser 27 28 27 25 30 29
Setrika 25 21 23 26 24 25
Speaker 25 24 21 27 24 23
Meja Makan 20 35 28 38 25 30
Rak TV 32 30 24 31 25 32
Meja Rias 32 28 23 37 24 20
Sofa 30 19 32 29 30 19
Spring Bed 15 16 13 13 14 17
Senarai 4.8 Pusat Cluster
Cluster Jan Feb Mar Apr May Jun

C1 25,2 25,6 24,4 26,8 27,2 23,6
C2 26.5 25.75 27 20.25 22.25 25
C3 30 34 29 23 28 20
C4 19 19,2 21,6 20,8 23,2 24
C1 26,8 26 23,4 27,6 26,6 27,4
C2 33 22.25 30.75 31 24.75 20.25
58
C3 19 31 17 33 27 29
C4 20,6 26,8 21,6 25,4 23 24,8
Jenis Barang C1 C2 C3 C4
Kulkas 8,699425268 21,04014021 21,09502311 14,99466572
Tv 15,8391919 13,10295768 27,83882181 20,08083664
Kipas Angin 17,36317943 26,35692509 0 23,90481123
AC 15,63585623 22,5208237 25,35744467 7,017121917
Mesin Cuci 12,93367697 20,6685147 18,30300522 11,10135127
Blender 12,13589717 17,00551381 24,87971061 10,12126474
Dispenser 10,23132445 19,39555361 20,29778313 21,5833269
Setrika 9,7713868 14,32436735 19,84943324 13,5882302
Speaker 7,216647421 15,70628855 19,31320792 10,27813213
Meja Makan 20,66107451 25,41038174 25,59296778 19,10078532
Rak TV 12,39677377 20,77709075 19,10497317 23,06599228
Meja Rias 19,63364459 14,87237372 23,32380758 24,25365952
Sofa 18,88067795 10,82531755 29,78254522 21,50441815
Lemari Pakaian 26,15492305 13,79084841 35,67912555 31,94432657
Spring Bed 37,79259187 41,60754138 44,58699362 27,25876006

Kulkas C1 8,699425268 75,68
Tv C2 13,10295768 171,6875
Kipas Angin C3 0 0
AC C4 7,017121917 49,24
Mesin Cuci C4 11,10135127 123,24
Blender C4 10,12126474 102,44
Dispenser C1 10,23132445 104,68
Setrika C1 9,7713868 95,48
Speaker C1 7,216647421 52,08
Meja Makan C4 19,10078532 364,84
Rak TV C1 12,39677377 153,68
Meja Rias C2 14,87237372 221,1875
Sofa C2 10,82531755 117,1875
Lemari Pakaian C2 13,79084841 190,1875
Spring Bed C4 27,25876006 743,04
WCV 2564,65
C1 C1 C1 C1 C1 C1
Jenis Barang
59
Kulkas 24 22 19 30 26 23
Tv
Kipas Angin
AC
Mesin Cuci
Blender
Dispenser 26 30 27 30 28 29
Setrika 23 26 29 24 23 23
Speaker 23 24 24 25 26 23
Meja Makan
Rak TV 30 26 23 25 33 20
Meja Rias
Sofa
Lemari Pakaian
Spring Bed
Rata-rata 25,2 25,6 24,4 26,8 27,2 23,6
C1 C1 C1 C1 C1 C1
Jenis Barang
Kulkas 25 27 22 29 30 28
Tv
Kipas Angin
AC
Mesin Cuci
Blender
Dispenser 27 28 27 25 30 29
Setrika 25 21 23 26 24 25
Speaker 25 24 21 27 24 23
Meja Makan
Rak TV 32 30 24 31 25 32
Meja Rias
Sofa
Lemari Pakaian
Spring Bed
Rata-rata 26,8 26 23,4 27,6 26,6 27,4
C2 C2 C2 C2 C2 C2
Jenis Barang
Kulkas
Tv 28 18 23 20 30 20
Kipas Angin
AC
Mesin Cuci
Blender
Dispenser
Setrika
Speaker
60
Meja Makan
Rak TV
Meja Rias 28 32 23 19 20 30
Sofa 20 25 29 20 19 23
Spring Bed
Rata-rata 26.5 25.75 27 20.25 22.25 25
C2 C2 C2 C2 C2 C2
Jenis Barang
Kulkas
Tv 33 23 29 30 25 22
Kipas Angin
AC
Mesin Cuci
Blender
Dispenser
Setrika
Speaker
Meja Makan
Rak TV
Meja Rias 32 28 23 37 24 20
Sofa 30 19 32 29 30 19
Spring Bed
Rata-rata 33 22.25 30.75 31 24.75 20.25
C3 C3 C3 C3 C3 C3
Jenis Barang
Kulkas
Tv
Kipas Angin 30 34 29 23 28 20
AC
Mesin Cuci
Blender
Dispenser
Setrika
Speaker
Meja Makan
Rak TV
Meja Rias
Sofa
Lemari Pakaian
Spring Bed
Rata-rata 30 34 29 23 28 20
61
C1 C1 C1 C1 C1 C1
Jenis Barang
Kulkas
Tv
Kipas Angin 19 31 17 33 27 29
AC
Mesin Cuci
Blender
Dispenser
Setrika
Speaker
Meja Makan
Rak TV
Meja Rias
Sofa
Lemari Pakaian
Spring Bed
Rata-rata 19 31 17 33 27 29
C4 C4 C4 C4 C4 C4
Jenis Barang
Kulkas
Tv
Kipas Angin
AC 20 18 21 20 22 26
Mesin Cuci 23 20 27 21 23 23
Blender 20 25 21 24 24 26
Dispenser
Setrika
Speaker
Meja Makan 20 19 23 21 27 31
Rak TV
Meja Rias
Sofa
Lemari Pakaian
Spring Bed 12 14 16 18 20 14
Rata-rata 19 19,2 21,6 20,8 23,2 24
C4 C4 C4 C4 C4 C4
Jenis Barang
Kulkas
Tv
Kipas Angin
AC 23 30 20 23 27 25
Mesin Cuci 20 30 23 30 28 29
Blender 25 23 24 23 21 23
Dispenser
62
Setrika
Speaker
Meja Makan 20 35 28 38 25 30
Rak TV
Meja Rias
Sofa
Lemari Pakaian
Spring Bed 15 16 13 13 14 17
Rata-rata 20,6 26,8 21,6 25,4 23 24,8
Senarai 4.11 Jarak antar Cluster Baru
C1 C2 15,62585998
C1 C3 17,36317943
C1 C4 14,36245104
C2 C3 26,35692509
C2 C4 21,06009259
C3 C4 23,90481123
BVC 118,6733194
Ratio Seb. 0,033552433
Ratio 0,046272715
2022
Jenis Barang
Kulkas 24 22 19 30 26 23
Tv 28 18 23 20 30 20
Kipas Angin 30 34 29 23 28 20
AC 20 18 21 20 22 26
Mesin Cuci 23 20 27 21 23 23
Blender 20 25 21 24 24 26
Dispenser 26 30 27 30 28 29
Setrika 23 26 29 24 23 23
Speaker 23 24 24 25 26 23
Meja Makan 20 19 23 21 27 31
Rak TV 30 26 23 25 33 20
Meja Rias 28 32 23 19 20 30
Sofa 20 25 29 20 19 23
Spring Bed 12 14 16 18 20 14
2022
Jenis Barang
63
Kulkas 25 27 22 29 30 28
Tv 33 23 29 30 25 22
Kipas Angin 19 31 17 33 27 29
AC 23 30 20 23 27 25
Mesin Cuci 20 30 23 30 28 29
Blender 25 23 24 23 21 23
Dispenser 27 28 27 25 30 29
Setrika 25 21 23 26 24 25
Speaker 25 24 21 27 24 23
Meja Makan 20 35 28 38 25 30
Rak TV 32 30 24 31 25 32
Meja Rias 32 28 23 37 24 20
Sofa 30 19 32 29 30 19
Spring Bed 15 16 13 13 14 17
Senarai 4.13 Cluster Baru
Cluster Jan Feb Maret Apr May Jun

C1 25,2 25,6 24,4 26,8 27,2 23,6
C2 26,5 25,75 27 20,75 22,25 25
C3 30 34 29 23 28 20
C4 19 19,2 21,6 20,8 23,2 24
C1 26,8 26 23,4 27,6 26,6 27,4
C2 33 22.25 30.75 31 24.75 20.25
C3 19 31 17 33 27 29
C4 20,6 26,8 21,6 25,4 23 24,8
Jenis Barang C1 C2 C3 C4
Kulkas 8,699425268 21,04014021 21,09502311 14,99466572
Tv 15,8391919 13,10295768 27,83882181 20,08083664
Kipas Angin 17,36317943 26,35692509 0 23,90481123
AC 15,63585623 22,5208237 25,35744467 7,017121917
Mesin Cuci 12,93367697 20,6685147 18,30300522 11,10135127
Blender 12,13589717 17,00551381 24,87971061 10,12126474
Dispenser 10,23132445 19,39555361 20,29778313 21,5833269
Setrika 9,7713868 14,32436735 19,84943324 13,5882302
Speaker 7,216647421 15,70628855 19,31320792 10,27813213
Meja Makan 20,66107451 25,41038174 25,59296778 19,10078532
Rak TV 12,39677377 20,77709075 19,10497317 23,06599228
Meja Rias 19,63364459 14,87237372 23,32380758 24,25365952
64
Sofa 18,88067795 10,82531755 29,78254522 21,50441815

Lemari Pakaian 26,15492305 13,79084841 35,67912555 31,94432657
Spring Bed 37,79259187 41,60754138 44,58699362 27,25876006

Kulkas C1 8,699425268 75,68
Tv C2 13,10295768 171,6875
Kipas Angin C3 0 0
AC C4 7,017121917 49,24
Mesin Cuci C4 11,10135127 123,24
Blender C4 10,12126474 102,44
Dispenser C1 10,23132445 104,68
Setrika C1 9,7713868 95,48
Speaker C1 7,216647421 52,08
Meja Makan C4 19,10078532 364,84
Rak TV C1 12,39677377 153,68
Meja Rias C2 14,87237372 221,1875
Sofa C2 10,82531755 117,1875
Lemari Pakaian C2 13,79084841 190,1875
Spring Bed C4 27,25876006 743,04
WCV 2564,65
C1 C1 C1 C1 C1 C1
Jenis Barang
Kulkas 24 22 19 30 26 23
Tv
Kipas Angin
AC
Mesin Cuci
Blender
Dispenser 26 30 27 30 28 29
Setrika 23 26 29 24 23 23
Speaker 23 24 24 25 26 23
Meja Makan
Rak TV 30 26 23 25 33 20
Meja Rias
Sofa
Lemari Pakaian
Spring Bed
Rata-rata 25,2 25,6 24,4 26,8 27,2 23,6
Jenis Barang C1 C1 C1 C1 C1 C1
65

Kulkas 25 27 22 29 30 28
Tv
Kipas Angin
AC
Mesin Cuci
Blender
Dispenser 27 28 27 25 30 29
Setrika 25 21 23 26 24 25
Speaker 25 24 21 27 24 23
Meja Makan
Rak TV 32 30 24 31 25 32
Meja Rias
Sofa
Lemari Pakaian
Spring Bed
Rata-rata 26,8 26 23,4 27,6 26,6 27,4
C2 C2 C2 C2 C2 C2
Jenis Barang
Kulkas
Tv 28 18 23 20 30 20
Kipas Angin
AC
Mesin Cuci
Blender
Dispenser
Setrika
Speaker
Meja Makan
Rak TV
Meja Rias 28 32 23 19 20 30
Sofa 20 25 29 20 19 23
Spring Bed
Rata-rata 26.5 25.75 27 20.25 22.25 25
C2 C2 C2 C2 C2 C2
Jenis Barang
Kulkas
Tv 33 23 29 30 25 22
Kipas Angin
AC
Mesin Cuci
Blender
Dispenser
Setrika
66
Speaker
Meja Makan
Rak TV
Meja Rias 32 28 23 37 24 20
Sofa 30 19 32 29 30 19
Spring Bed
Rata-rata 33 22.25 30.75 31 24.75 20.25
C3 C3 C3 C3 C3 C3
Jenis Barang
Kulkas
Tv
Kipas Angin 30 34 29 23 28 20
AC
Mesin Cuci
Blender
Dispenser
Setrika
Speaker
Meja Makan
Rak TV
Meja Rias
Sofa
Lemari Pakaian
Spring Bed
Rata-rata 30 34 29 23 28 20
C3 C3 C3 C3 C3 C3
Jenis Barang
Kulkas
Tv
Kipas Angin 19 31 17 33 27 29
AC
Mesin Cuci
Blender
Dispenser
Setrika
Speaker
Meja Makan
Rak TV
Meja Rias
Sofa
Lemari Pakaian
Spring Bed
67
Rata-rata 19 31 17 33 27 29
C4 C4 C4 C4 C4 C4
Jenis Barang
Kulkas
Tv
Kipas Angin
AC 20 18 21 20 22 26
Mesin Cuci 23 20 27 21 23 23
Blender 20 25 21 24 24 26
Dispenser
Setrika
Speaker
Meja Makan 20 19 23 21 27 31
Rak TV
Meja Rias
Sofa
Lemari Pakaian
Spring Bed 12 14 16 18 20 14
Rata-rata 19 19,2 21,6 20,8 23,2 24
C4 C4 C4 C4 C4 C4
Jenis Barang
Kulkas
Tv
Kipas Angin
AC 23 30 20 23 27 25
Mesin Cuci 20 30 23 30 28 29
Blender 25 23 24 23 21 23
Dispenser
Setrika
Speaker
Meja Makan 20 35 28 38 25 30
Rak TV
Meja Rias
Sofa
Lemari Pakaian
Spring Bed 15 16 13 13 14 17
Rata-rata 20,6 26,8 21,6 25,4 23 24,8
Senarai 4.16 Jarak antar Cluster Baru
C1 C2 15,62585998
C1 C3 17,36317943
C1 C4 14,36245104
C2 C3 26,35692509
68
C2 C4 21,06009259
C3 C4 23,90481123
BVC 118,6733194
Ratio Seb. 0,046272715
Ratio 0,046272715
Iterasi dihentikan, pasalnya ratio sebelumnya yaitu 0,046272715 sama seraya ratio
saat ini 0,046272715[1].
4.1.2.3 Telaah Keluaran
Telaah keluaran dari telaah tingkat laku perdagangan elektronik dan alat di
Gardu Sombahuta Jaya Elektronik dan Alat adalah terdiri atas 4 (empat) buatan
yaitu clustering evidensi perdagangan seraya C1 adalah kurang laris dan C2
adalah barang laris.
Goresan 4.2 Buatan Cluster
4.1.2.4 Telaah Pemakai

69
Pemakai adalah orang yang memiliki wewenang bakal menyedot skema.
Plong rangrangan ini pemakai plong skema ini yaitu Tadbir yang melukiskan
Pegawai di Gardu Sombahuta Jaya Elektronik dan Alat. Tadbir mempunyai akses
mengelola skema mulai dari menginput evidensi, mengedit evidensi, mencari
evidensi, menghapus evidensi dan mencetak evidensi. Target pemakaian skema
evidensi mining tertutur adalah bakal mengetahui proses telaah tingkat laku
perdagangan elektronik dan alat seraya perhitungan k-means seraya menyedot
evidensi mining sehingga proses pengutipan keputusan menjadi lebih baik.
4.1.2.5 Telaah Perkakas Keras (Hardware)
Spesifikasi perkakas keras (hardware) yang dipukaukan bakal
mengpengejawantahankan aplikasi telaah tingkat laku perdagangan elektronik dan
alat seraya perhitungan k-means adalah:
Senarai 4.17 Perkakas Keras yang Dipukaukan
No Nama Spesifikasi Besara Pukau Harga

Hardware n
1 Laptop a. Processor: 1 Sepenaka Rp.5.150.000,-
Intel(R) Core alat antar
(TM) i3- muka,
7100U CPU penampil
@2.40 GHz dan
(4CPUs), pengendali.
~2.4GHz.
b. Memory: 1
4096 MB
RAM
c. Hardisk: 1
930 GB
2 Printer Canon Pixma 1 Alat Rp.600.000,-
TS307 mencetak
laporan.
70
Total Rp.5.750.000,-
4.1.2.6 Telaah Perkakas Lunak (Software)
Spesifikasi perkakas lunak (software) yang dipukaukan bakal
mengpengejawantahankan aplikasi skema telaah tingkat laku perdagangan
elektronik dan alat seraya perhitungan k-means adalah:
Senarai 4.18 Perkakas Lunak yang Dipukaukan
No Kebutuhan Eksplanasi Pukau Harga

1 Skema Windows 7 Mengatur atau Free
Operasi Ultimate mengontrol kerja
perkakas keras atau
hardware dan
menjalankan aplikasi
atau software di
tatkala suatu skema
jinjing.
2 Aplikasi a. Microsoft Membangun skema. Free
Office Word
b. PHP
c. MySQL
d. Sublime Tex
e. XAMPP
4.2 Telaah Biaya
Beserta ini adalah telaah biaya yang dikeluarkan selama pembuatan skripsi
dari telaah tingkat laku perdagangan elektronik dan alat di Gardu Sombahuta Jaya
Elektronik dan Alat:
Senarai 4.19 Telaah Biaya
No Material Pemakaian Kuantitas Besaran Harga

1 Buku Panduan Referensi 1 Rp. 45.000.-
2 Kertas A4 70 gr Operasional 5 Rp. 200.000,-
3 Printer Operasional 1 Rp.600.000.-
4 Clip paper Operasional 1 Rp.5.000.-
5 Clip binder Operasional 1 Rp.5.000.-
6 Map Operasional 2 Rp.5.000.-
71
7 Tinta Printer Operasional 4 Rp.80.000,-

8 Pulpen Operasional 3 Rp.12.000.-
Sub Total Rp.952.000,-
4.3 Penyediaan Skema Lagam Tipikal
Penyediaan skema melukiskan tahap penggoresanan, perencanaan dan
pembuatan sketsa atau pengetahuan dari beberapa elemen yang terpisah ke tatkala
satu kesatuan yang utuh dan berpukau agar dapat memberikan goresanan yang
jelas keplong user.
4.3.1 Telaah Skema Baru
Jalan skema fakta yang baru melukiskan perbaikan dari skema fakta yang
lama, dimana skema yang plong awalnya manual atau semi jinjing menjadi
terjinjingisasi atau berbasis evidensibase. Perubahan terjadi hanya plong proses
penyimpanan dan pengolahan evidensi.
Skema yang diusulkan adalah pengolahan evidensi lagam
jinjingisasi ,seraya kata lain menghindari pengolahan evidensi yang kurang
optimal seperti yang selama ini dinunai. Beserta ini adalah jalan skema fakta baru
yang diusulkan plong telaah tingkat laku perdagangan elektronik dan alat seraya
perhitungan k-means adalah:
1. Tadbir menerima evidensi perdagangan.
2. Tadbir membuat evidensi perdagangan sehingga menjadi berkas laporan
perdagangan.
72
3. Bersendikan berkas laporan perdagangan tertutur, Tadbir menginputkan
evidensi kurun dan evidensi jenis barang ke skema.
4. Tadbir mengklik proses sehingga skema menampilkan buatan klasterisasi
evidensi perdagangan seraya mekhasiatkan kaidah K-Means.
5. Tadbir mencetak buatan perhitungan sebanyak 2 (dua) rangkap. Sebanyak 1
(satu) rangkap disimpan oleh Tadbir dan 1 (satu) rangkap lagi diserahkan
keplong Pimpinan
6. Pimpinan menerima dan memeriksa buatan klasterisasi seraya seksama dan
setelah diperiksa diserahkan keplong Tadbir sebanyak 1 (satu) rangkap dan
disimpan..
Beserta ini adalah goresan jalan skema fakta plong telaah tingkat laku
perdagangan elektronik dan alat seraya perhitungan k-means:

73
Goresan 4.3 Jalan Skema Fakta (yang Diusulkan)
4.3.2 Unified Coraking Language (UML)
Unifed Corakling Language (UML) adalah salah satu standart selidika
yang banyak dipukaukan di dunia industri bakal mendefenisikan requirement,
membuat telaah dan desain, serta menggoresankan arsitektur tatkala pemrograman
berorientasi objek. Beserta penyediaan menyedot UML:

74
1. Use Case Buram
Beserta adalah use case buram dari telaah tingkat laku perdagangan
elektronik dan alat seraya perhitungan k-means:
Goresan 4.4 Use Case Buram
2. Class Buram
Class Buram menggoresankan struktur skema dari segi pendefenisian
kelas-kelas yang akan dibuat bakal membangun skema. Beserta ini adalah class
buram dari telaah tingkat laku perdagangan elektronik dan alat seraya perhitungan
k-means:
75
Goresan 4.5 Class Buram
3. Activity Buram
Buram aktivitas menggoresankan workflow (jalan kerja) dari sebuah skema
yang ada plong perkakas lunak. Beserta adalah goresan dari Activity Buram dari
telaah tingkat laku perdagangan elektronik dan alat seraya perhitungan k-means:
a. Activity Buram Login
Beserta ini adalah activity buram login dari telaah tingkat laku

76
Goresan 4.6 Activity Buram Login Tadbir
b. Activity Buram Kurun
Beserta ini adalah activity buram kurun dari telaah tingkat laku
Goresan 4.7 Activity Buram Kurun

77
c. Activity Buram Jenis Barang
Beserta ini adalah activity buram jenis barang dari telaah tingkat laku
Goresan 4.8 Activity Buram Jenis Barang
d. Activity Buram Perdagangan
Beserta ini adalah activity buram perdagangan dari telaah tingkat laku
Goresan 4.9 Activity Buram Mengelola Perdagangan

78
e. Activity Buram Perhitungan
Beserta ini adalah activity buram perhitungan dari telaah tingkat laku
Goresan 4.10 Activity Buram Perhitungan
f. Activity Buram item Ganti Password
Beserta ini adalah activity buram ganti password dari telaah tingkat laku
Goresan 4.11 Activity Buram Mengelola Ganti Password

79
g. Activity Buram Logout
Beserta ini adalah activity buram logout dari telaah tingkat laku
Goresan 4.12 Activity Buram Logout Tadbir
4. Sequence Buram
Buram sequence menggoresankan kelakuan objek plong Use Case seraya
mendeskripsikan waktu objek dan message yang dikirimkan dan disambut antar
objek. Oleh karena itu bakal menggoresankan buram sekuen maka harus diketahui
objek-objek yang terlibat tatkala sebuah Use Case beserta kaidah-kaidah yang
dimiliki kelas yang diinstansiasi menjadi objek itu.
a. Sequence Buram Login
Beserta ini adalah sequence buram login plong telaah tingkat laku
Goresan 4.13 Buram Sequence Login

80
b. Sequence Buram Mengelola Kurun
Beserta ini adalah sequence buram mengelola kurun plong telaah tingkat
laku perdagangan elektronik dan alat seraya perhitungan k-means:
Goresan 4.14 Buram Sequence bakal Mengelola Kurun
c. Sequence Buram Mengelola Jenis Barang
Beserta ini adalah sequence buram mengelola jenis barang plong telaah
tingkat laku perdagangan elektronik dan alat seraya perhitungan k-means:

81
Goresan 4.16 Buram Sequence bakal Mengelola Jenis Barang
d. Sequence Buram Mengelola Perdagangan
Beserta ini adalah sequence buram mengelola perdagangan plong telaah
Goresan 4.17 Buram Sequence Mengelola Perdagangan
e. Sequence Buram Mengelola Perhitungan
Beserta ini adalah sequence buram mengelola perhitungan plong telaah

82
Goresan 4.18 Buram Sequence Mengelola Perhitungan
f. Sequence Buram Mengelola Ganti Password
Beserta ini adalah sequence buram mengelola ganti password plong
telaah tingkat laku perdagangan elektronik dan alat seraya perhitungan k-means:
Goresan 4.19 Buram Sequence Mengelola Ganti Password
g. Sequence Buram Logout
Beserta ini adalah sequence buram logout plong telaah tingkat laku

83
Goresan 4.20 Buram Sequence Logout
5. Deployment Buram
deployment buram menunjukkan konfigurasi komponen tatkala proses
eksekusi aplikasi. Deployment buram juga dapat dipukaukan bakal mecorakkan
skema client server ataupun skema tambahan yang menggoresankan device, node
serta hardware. Adapun deployment buram plong telaah tingkat laku perdagangan
Goresan 4.21 Deployment Buram
4.3.3 Flowchart
Flowchart dari telaah tingkat laku perdagangan elektronik dan alat di
Gardu Sombahuta Jaya Elektronik dan Alat yang terdiri atas flowchart login,
84
flowchart pelataran utama, flowchart kurun, flowchart jenis barang, flowchart
perdagangan, flowchart ganti password dan flowchart logout.
1. Flowchart Login Tadbir
Beserta ini adalah flowchart login Tadbir plong telaah tingkat laku
Goresan 4.22 Flowchart Login Tadbir
2. Flowchart Menu Utama Tadbir
Beserta ini adalah flowchart menu utama Tadbir plong telaah tingkat laku

85
Goresan 4.23 Flowchart Menu Utama Tadbir
3. Flowchart Kurun
Beserta ini adalah flowchart kurun plong telaah tingkat laku perdagangan

86
Goresan 4.24 Flowchart Kurun
4. Flowchart Jenis Barang
Beserta ini adalah flowchart jenis barang plong telaah tingkat laku

87
Goresan 4.25 Flowchart Jenis Barang
5. Flowchart Perdagangan
Beserta ini adalah flowchart perdagangan plong telaah tingkat laku
Goresan 4.26 Flowchart Perdagangan

88
6. Flowchart Perhitungan
Beserta ini adalah flowchart perhitungan plong telaah tingkat laku
Goresan 4.27 Flowchart Perhitungan
7. Flowchart Ganti Password
Beserta ini adalah flowchart ganti password plong telaah tingkat laku
Goresan 4.28 Flowchart Ganti Password
8. Flowchart Logout Tadbir

89
Beserta ini adalah flowchart logout Tadbir plong telaah tingkat laku
Goresan 4.29 Flowchart Logout Tadbir
4.3.4 Penyediaan Basis Evidensi
Sepenaka penunjang skema pengolahan evidensi bantuan jinjing, maka
harus ditentukan penakamana bentuk rangrangan evidensibase yang dipukaukan.
Penyediaan evidensibase ini dimakasudkan bakal mengidentifikasi kebutuhan–
kebutuhan file basis evidensi skema yang diperlukan.
1. Entity Relationship Buram (ERD)
ERD melukiskan goresanan hubungan antar entitas yang satu seraya yang
lain yang saling berhubungan dan saling berinteraksi satu seraya yang lain.
Beserta ini adalah ERD plong telaah tingkat laku perdagangan elektronik dan alat
seraya perhitungan k-means:

90
Goresan 4.30 Entity Relationship Buram (ERD)
2. Struktur Evidensi
Struktur evidensi melukiskan urutan isi atau evidensi-evidensi item yang
yang ada file evidensibase. Rangrangan struktur ini dimaksud untu menunai
kegiatan-kegiatan tatkala pencarian evidensi bakal mempermudah skema. Struktur
evidensi plong telaah tingkat laku perdagangan elektronik dan alat seraya
perhitungan k-means:
a. Senarai Tadbir
Nama Senarai : tb_tadbir
Primary key : user
Besaran field : 2 (dua)
Senarai 4.20 Tadbir
No Nama File Type Length Eksplanasi

1 user Varchar 16 Username
2 pass Varchar 16 Password
91
b. Senarai Jenis Barang
Nama Senarai : tb_jenisbarang
Primary key : id_jenisbarang
Besaran field : 4 (empat)
Senarai 4.21 Jenis Barang

1 id_jenisbarang Integer 11 Id Jenis Barang
2 kode_jenisbarang Varchar 255 Kode Jenis Barang
3 nama_jenisbarang Varchar 255 Nama Jenis Barang
4 eksplanasi Varchar 255 Eksplanasi
c. Senarai Kurun
Nama Senarai : tb_kurun
Primary key : id_kurun
Besaran field : 3 (tiga)
Senarai 4.22 Kurun

1 id_kurun Integer 11 ID Kurun
2 kode_kurun Varchar 16 Kode Kurun
3 kurun Varchar 255 Kurun
d. Senarai Perdagangan
Nama Senarai : tb_perdagangan
Primary key : ID
Besaran field : 4 (empat)
Senarai 4.23 Perdagangan

1 ID Integer 11 ID
2 id_jenisbarang Integer 11 ID Jenis Barang
92
3 id_kurun Integer 11 ID Kurun

4 nilai Double - Nilai
4.3.5 Penyediaan Antar Muka (User Interface)
Penyediaan antar muka dimaksudkan bakal menentukan bentuk yang akan
dibuatankan oleh skema yang akan dirancang. Penyediaan fakta yang akan
diberikan keplong user sepenaka buatan pengolahan aplikasi skema fakta. Adapun
penyediaan pelataran plong telaah tingkat laku perdagangan elektronik dan alat
seraya perhitungan k-means:
a. Penyediaan Pelataran Beranda
Beserta ini adalah penyediaan pelataran beranda plong telaah tingkat laku
Goresan 4.31 Penyediaan Pelataran Beranda
b. Penyediaan Pelataran Profil
Beserta ini adalah penyediaan pelataran profil plong telaah tingkat laku

93
Goresan 4.32 Penyediaan Pelataran Profil
c. Penyediaan Pelataran Login
Beserta ini adalah penyediaan pelataran login plong telaah tingkat laku
Goresan 4.33 Penyediaan Pelataran Login
d. Penyediaan Pelataran Utama Tadbir
Beserta ini adalah penyediaan pelataran utama tadbir plong telaah tingkat
Goresan 4.34 Penyediaan Pelataran Login

94
e. Penyediaan Pelataran Kurun
Beserta ini adalah penyediaan pelataran kurun plong telaah tingkat laku
Goresan 4.35 Penyediaan Pelataran Kurun
f. Penyediaan Pelataran Jenis Barang
Beserta ini adalah penyediaan pelataran jenis barang plong telaah tingkat

95
Goresan 4.36 Penyediaan Pelataran Jenis Barang
g. Penyediaan Pelataran Perdagangan
Beserta ini adalah penyediaan pelataran perdagangan plong telaah tingkat
Goresan 4.37 Penyediaan Pelataran Perdagangan
h. Penyediaan Pelataran Perhitungan
Beserta ini adalah penyediaan pelataran perhitungan plong telaah tingkat

96
Goresan 4.38 Penyediaan Pelataran Perhitungan
i. Penyediaan Pelataran Ganti Password
Beserta ini adalah penyediaan pelataran ganti password plong telaah
Goresan 4.39 Penyediaan Pelataran Ganti Password

BAB V
PENGEJAWANTAHAN DAN BUATAN
5.1 Pengejawantahan Skema
Impelementasi skema melukiskan tahap penerjemahan kebutuhan
pembanpukaun aplikasi ke tatkala perkakas lunak sesuai seraya buatan telaah
yang telah dipukaukan buatan bakal mengetahui kekurangan-kekurangan plong
aplikasi bakal selanjutnya diadakan perbaikan skema. Target dari
pengejawantahan skema adalah bakal merapikan penyediaan yang telah dinunai
terhadap skema, sehingga pemakai dapat memberikan masukan bakal dinunai
perbaikan terhadap skema agar skema menjadi lebih baik.
5.1.1 Pengejawantahan Basis Evidensi
Pembuatan basis evidensi (evidensibase) dinunai seraya menyedot
MySQL. Plong goresan 5.1 menjelaskan senarai-senarai evidensibase yang ada
plong telaah tingkat laku perdagangan elektronik dan alat seraya perhitungan K-
Means terdiri atas 4 (empat) senarai yaitu tb_tadbir, tb_jenisbarang,
tb_perdagangan dan tb_kurun.
Goresan 5.1 Senarai Evidensibase
97
98
1. Senarai Tadbir
Plong goresan 5.2 menjelaskan struktur senarai tadbir yang mempunyai 2
(dua) buah field yaitu user (primary key) dan pass. Goresan senarai tadbir plong
telaah tingkat laku perdagangan elektronik dan alat seraya perhitungan K-Means
adalah:
Goresan 5.2 Tampilan Senarai Tadbir
2. Senarai Jenis Barang
Plong goresan 5.3 menjelaskan struktur senarai jenis barang yang
mempunyai 4 (empat) buah field yaitu id_jenisbarang (primary key),
kode_jenisbarang, nama_jenisbarang dan eksplanasi. Goresan senarai jenis barang
plong telaah tingkat laku perdagangan elektronik dan alat seraya perhitungan K-
Means adalah:
Goresan 5.3 Tampilan Senarai Jenis Barang

99
3. Senarai Perdagangan
Plong goresan 5.4 menjelaskan struktur senarai perdagangan yang
mempunyai 4 (empat) buah field yaitu id (primary key), id_jenisbarang, id_kurun,
dan nilai. Goresan senarai perdagangan plong telaah tingkat laku perdagangan
elektronik dan alat seraya perhitungan K-Means adalah:
Goresan 5.4 Tampilan Senarai Perdagangan
4. Senarai Kurun
Plong goresan 5.5 menjelaskan struktur senarai kurun yang mempunyai 3
(tiga) buah field yaitu id_kurun (primary key), kode_kurun, dan kurun. Goresan
senarai kurun plong telaah tingkat laku perdagangan elektronik dan alat seraya
perhitungan K-Means adalah:
Goresan 5.5 Tampilan Senarai Kurun

100
5.1.2 Pengejawantahan Antarmuka
Desain user interface yang sudah dibuat sebelumnya diubah ke tatkala
selidika pemrograman yaitu seraya menyedot selidika pemrograman PHP.
Perkakas lunak penyokong yang dipukaukan tatkala pengejawantahan adalah
Sublime Text.
1. Pengejawantahan Pelataran Beranda
Plong goresan 5.6 menjelaskan pelataran beranda plong telaah tingkat laku
perdagangan elektronik dan alat seraya perhitungan K-Means yang terdiri atas 2
(dua) menu yaitu menu profil dan menu login.
Goresan 5.6 Pelataran Beranda
2. Pengejawantahan Pelataran Profil
Plong goresan 5.7 menjelaskan pelataran profil plong telaah tingkat laku
perdagangan elektronik dan alat seraya perhitungan K-Means yang terdiri atas
evidensi profil instansi.

101
Goresan 5.7 Pelataran Profil
3. Pengejawantahan Pelataran Login
Plong goresan 5.8 menjelaskan pelataran login plong telaah tingkat laku
perdagangan elektronik dan alat seraya perhitungan K-Means yang terdiri atas
field username, password dan level serta tombol login. Username dan password
yang dimasukkan harus sesuai seraya evidensi yang telah tersimpan tatkala
evidensibase dan tombol login dipukaukan bakal masuk plong pelataran
selajutnya yaitu pelataran utama tadbir.
Goresan 5.8 Pelataran Login

102
4. Pengejawantahan Pelataran Menu Utama Tadbir
Plong goresan 5.9 menjelaskan pelataran utama tadbir plong telaah tingkat
laku perdagangan elektronik dan alat seraya perhitungan K-Means yang terdiri
atas menu kurun, menu jenis barang, menu perdagangan, menu perhitungan, menu
ganti password dan menu logout. Tiap-tiap menu yang ada di pelataran utama
tadbir mempunyai pukaunya masing-masing.
Goresan 5.9 Pelataran Menu Utama Tadbir
5. Pengejawantahan Pelataran Kurun
Plong goresan 5.10 menjelaskan pelataran kurun plong telaah tingkat laku
perdagangan elektronik dan alat seraya perhitungan K-Means yang terdiri atas dua
etape yaitu area tambah evidensi kurun dan area evidensi kurun. Plong area
tambah evidensi kurun terdapat 2 (dua) buah field yaitu kode kurun dan kurun
serta tombol aksi simpan. Plong area kurun terdapat 3 (tiga) buah kolom yang
terdiri atas kolom kode kurun, kolom kurun dan kolom aksi.
103
Goresan 5.10 Pelataran Kurun
Ketika tadbir menginputkan evidensi kurun di area tambah evidensi kurun
dan lupa mengisi salah satu field yang ada, maka skema akan menampilkan fakta
“field bertanda* tidak boleh kosong!” seperti terlihat plong goresan 5.10.
Goresan 5.10 Fakta Ketika Tadbir Lupa Menginputkan Evidensi di

Pelataran Kurun
Ketika tadbir mengklik tombol ubah di area evidensi kurun, maka akan
tampil pelataran ubah kurun seperti terlihat plong goresan 5.11. Pelataran ubah
kurun terdiri atas 2 (dua) buah field yaitu kode kurun dan kurun serta tombol aksi
simpan dan kembali. Kode kurun plong pelataran ubah kurun tidak dapat diubah
dan tadbir hanya dapat mengubah evidensi kurunnya saja.

104
Goresan 5.11 Pelataran Ubah Kurun
Ketika tadbir menginputkan evidensi kurun yang ingin dicari di area
evidensi kurun, maka akan tampil evidensi kurun seperti terlihat plong goresan
5.12.
Goresan 5.12 Pelataran Cari Kurun

105
Ketika tadbir mengklik tombol hapus di area evidensi kurun, maka akan
tampil pelataran ubah kurun seperti terlihat plong goresan 5.13. Pelataran hapus
kurun terdiri atas 2 (dua) buah tombol aksi yaitu oke dan batal.
Goresan 5.13 Pelataran Hapus Kurun
6. Pengejawantahan Pelataran Jenis Barang
Plong goresan 5.14 menjelaskan pelataran jenis barang plong telaah
tingkat laku perdagangan elektronik dan alat seraya perhitungan K-Means yang
terdiri atas dua etape yaitu area tambah evidensi barang dan area evidensi jenis
barang.
106
Goresan 5.14 Pelataran Jenis Barang
Plong area tambah evidensi barang terdapat 3 (tiga) buah field yaitu kode
jenis barang, nama jenis barang dan eksplanasi serta tombol aksi simpan. Plong
area evidensi jenis barang terdapat 4 (empat) buah kolom yang terdiri atas kolom
kode, kolom nama jenis barang, kolom eksplanasi dan kolom aksi. Ketika tadbir
menginputkan evidensi jenis barang di area tambah evidensi jenis barang dan lupa
mengisi salah satu field yang ada, maka skema akan menampilkan fakta “field
bertanda* tidak boleh kosong!” seperti terlihat plong goresan 5.15.
Goresan 5.15 Fakta Ketika Tadbir Lupa Menginputkan Evidensi di

Pelataran Jenis Barang
Ketika tadbir mengklik tombol ubah di area evidensi jenis barang, maka
akan tampil pelataran ubah jenis barang seperti terlihat plong goresan 5.16.
Goresan 5.16 Pelataran Ubah Jenis Barang
Pelataran ubah jenis barang terdiri atas 3 (tiga) buah field yaitu kode jenis
barang, nama jenis barang dan eksplanasi serta tombol aksi simpan dan kembali.
Kode jenis barang plong pelataran ubah jenis barang tidak dapat diubah dan tadbir
107
hanya dapat mengubah evidensi nama jenis barang dan keterengannya saja. Ketika
tadbir menginputkan evidensi jenis barang yang ingin dicari di area evidensi jenis
barang, maka akan tampil evidensi jenis barang seperti terlihat plong goresan
5.17.
Goresan 5.17 Pelataran Cari Jenis Barang
Ketika tadbir mengklik tombol hapus di area evidensi jenis barang, maka
akan tampil pelataran ubah jenis barang seperti terlihat plong goresan 5.18.
Pelataran hapus jenis barang terdiri atas 2 (dua) buah tombol aksi yaitu oke dan
batal.
108
Goresan 5.18 Pelataran Hapus Jenis Barang
7. Pengejawantahan Pelataran Perdagangan
Plong goresan 5.19 menjelaskan pelataran perdagangan plong telaah
terdiri atas area evidensi perdagangan. Beberapa kolom yang ada di area evidensi
perdagangan yaitu kode, nama jenis barang, Januari 2022 sampai Desember 2022
dan aksi.
Goresan 5.19 Pelataran Perdagangan
Ketika tadbir mengklik tombol ubah di area evidensi perdagangan, maka
akan tampil pelataran ubah evidensi perdagangan seperti terlihat plong goresan
5.20. Pelataran ubah evidensi perdagangan terdiri atas 12 (dua belas) buah field
yaitu Januari 2022 sampai seraya Desember 2022 serta tombol aksi simpan dan
kembali.
109
Goresan 5.20 Pelataran Ubah Evidensi Perdagangan
Ketika tadbir menginputkan evidensi perdagangan yang ingin dicari di
area evidensi perdagangan, maka akan tampil evidensi perdagangan seperti
terlihat plong goresan 5.21.
Goresan 5.21 Pelataran Cari Evidensi Perdagangan

110
8. Pengejawantahan Pelataran Perhitungan
Plong goresan 5.22 menjelaskan pelataran perhitungan plong klasterisasi
evidensi telaah tingkat laku perdagangan elektronik dan alat seraya perhitungan
K-Means yang terdiri atas area perhitungan Kmeans Clustering. Terdapat 3 (tiga)
field yang ada di pelataran perhitungan yaitu pusat centroid, besaran cluster, dan
nilai maksimum iterasi seraya tombol aksi proses.
Goresan 5.22 Pelataran Perhitungan
Ketika tadbir mengklik tombol proses di area perhitungan kmeans
clustering, maka akan tampil buatan perhitungan seperti terlihat plong goresan
5.23.
111
112
113
114
115
116
Goresan 5.23 Pelataran Perhitungan
Ketika tadbir mengklik tombol cetak di area perhitungan kmeans
clustering, maka akan tampil buatan perhitungan seperti terlihat plong goresan
5.24.
117
Goresan 5.24 Pelataran Cetak Perhitungan
9. Pengejawantahan Pelataran Ganti Password
Plong goresan 5.25 menjelaskan pelataran ganti password plong telaah
118
terdiri atas 3 (tiga) buah field yaitu password lama, password baru, dan konfirmasi
password baru serta tombol aksi simpan.
Goresan 5.25 Pelataran Ganti Password
Ketika tadbir menginputkan evidensi ganti password di area ganti
password dan lupa mengisi salah satu field yang ada, maka skema akan
menampilkan fakta “field bertanda* tidak boleh kosong!” seperti terlihat plong
goresan 5.26.
Goresan 5.26 Pelataran Ganti Password Apabila Tadbir Lupa Mengisi Salah
Satu Field
5.2 Percobaan Skema

119
Dilihat dari pukau percobaan skema yaitu bakal mencari kelemahan dan
kesalahan dari skema seraya menjalankan tata olah tertutur bakal dapat di nunai
evaluasi. Sehingga jika ditemukan kesalahan akan di nunai proses running bakal
mencari penyebab kesalahan, selanjutnya dicari solusi dari perpersoalanan yang
tepat sehingga dicapai satu kebenaran tata olah yang sesuai seraya buatan yang di
harapkan.
1. Percobaan Pelataran Beranda
Percobaan pelataran beranda plong telaah tingkat laku perdagangan
elektronik dan alat seraya perhitungan K-Means bertarget bakal mengetahui
apakah menu-menu yang ada plong pelataran beranda berpukau seraya baik.
Senarai 5.1 Percobaan Pelataran Beranda
Evidensi Masukan Yang Diharapkan Pengamatan Kesimpulan

Klik menu profil. Dapat menampilkan Menu profil [√ ]
pelataran profil. sesuai seraya Disambut
yang diharapkan. [ ] Ditolak
Klik menu login. Dapat menampilkan Menu login sesuai [√ ]
pelataran login. seraya yang Disambut
diharapkan. [ ] Ditolak
2. Percobaan Pelataran Profil
Percobaan pelataran profil plong telaah tingkat laku perdagangan
apakah tombol-tombol yang ada plong pelataran profil berpukau seraya baik.
Senarai 5.2 Percobaan Pelataran Profil

120

Klik tombol profil Dapat menampilkan Tombol profil [√ ]
instansi. evidensi profil sesuai seraya Disambut
instansi Gardu yang diharapkan. [ ] Ditolak
Sombahuta Jaya
Elektronik dan Alat.
3. Percobaan Pelataran Login
Percobaan pelataran login plong telaah tingkat laku perdagangan
apakah tombol-tombol yang ada plong pelataran login berpukau seraya baik.
Senarai 5.3 Percobaan Pelataran Login

Klik menu login. Dapat menampilkan Menu login sesuai [√ ]
pelataran login. seraya yang Disambut
Klik tombol login. Dapat mengaktifkan Tombol login [√ ]
semua tombol dan sesuai seraya Disambut
menu plong yang diharapkan. [ ] Ditolak
pelataran utama.
4. Percobaan Pelataran Kurun
Percobaan pelataran kurun plong telaah tingkat laku perdagangan
apakah tombol-tombol yang ada plong pelataran kurun berpukau seraya baik.
Senarai 5.5 Penggujian Pelataran Kurun

Klik menu kurun Dapat menampilkan Menu kurun sesuai [√ ]
pelataran kurun. seraya yang Disambut
Klik tombol tambah Dapat masuk ke Tombol tambah [√]
pelataran tambah evidensi kurun Disambut
evidensi kurun dan sesuai seraya yang [ ] Ditolak
menunai pengisian diharapkan.
evidensi kurun.
Klik tombol simpan Evidensi kurun yang Tombol simpan [√]
telah di-inputkan sesuai seraya yang Disambut
plong borang diharapkan [ ] Ditolak
121
tersimpan di evidensi kurun

evidensibase dan berbuatan
tampil plong disimpan.
pelataran evidensi
kurun.
Klik tombol kembali Dapat kembali ke Tombol kembali [√]
pelataran evidensi sesuai seraya yang Disambut
kurun. diharapkan. [ ] Ditolak
Klik tombol cari. Dapat mencari Tombol cari sesui [√]
evidensi kurun yang seraya yang Disambut
di-inputkan. diharapkan [ ] Ditolak
evidensi kurun
berbuatan dicari.
Klik tombol ubah. Dapat masuk ke Tombol ubah [√]
pelataran ubah sesuai seraya yang Disambut
evidensi kurun dan diharapkan kurun [ ] Ditolak
menunai berbuatan diubah.
pengubahan
evidensi kurun.
Klik tombol hapus Dapat menghapus Tombol hapus [√]

evidensi kurun sesuai seraya yang Disambut
plong pelataran diharapkan [ ] Ditolak
kurun. evidensi kurun
berbuatan dihapus.
5. Percobaan Pelataran Jenis Barang
Percobaan pelataran jenis barang plong telaah tingkat laku perdagangan
apakah tombol-tombol yang ada plong pelataran jenis barang berpukau seraya
baik.
Senarai 5.5 Penggujian Pelataran Jenis Barang

Klik menu barang Dapat menampilkan Menu jenis barang [√ ]
pelataran jenis sesuai seraya yang Disambut
barang. diharapkan. [ ] Ditolak
Klik tombol tambah Dapat masuk ke Tombol tambah [√]
pelataran tambah evidensi jenis Disambut
evidensi jenis barang sesuai [ ] Ditolak
122
barang dan menunai seraya yang

pengisian evidensi. diharapkan.
Klik tombol simpan Evidensi jenis Tombol simpan [√]
barang yang telah sesuai seraya yang Disambut
di-inputkan plong diharapkan [ ] Ditolak
borang tersimpan di evidensi jenis
evidensibase dan barang berbuatan
pelataran jenis
barang.
pelataran jenis sesuai seraya yang Disambut
barang. diharapkan. [ ] Ditolak
evidensi jenis seraya yang Disambut
barang yang di- diharapkan [ ] Ditolak
inputkan. evidensi jenis
barang berbuatan
dicari.
evidensi evidensi diharapkan [ ] Ditolak
jenis barang dan evidensi jenis
menunai barang berbuatan
pengubahan diubah.
evidensi.
Klik tombol hapus Dapat menghapus Tombol hapus [√]
evidensi jenis sesuai seraya yang Disambut
barang plong diharapkan [ ] Ditolak
pelataran evidensi evidensi jenis
jenis barang. barang berbuatan
dihapus.
6. Percobaan Pelataran Perdagangan
Percobaan pelataran perdagangan plong telaah tingkat laku perdagangan
apakah tombol-tombol yang ada plong pelataran perdagangan berpukau seraya
baik.
Senarai 5.6 Percobaan Pelataran Perdagangan

Klik menu Dapat menampilkan Menu perdagangan [√ ]
123
perdagangan. pelataran sesuai seraya yang Disambut

perdagangan. diharapkan. [ ] Ditolak
evidensi seraya yang Disambut
perdagangan yang diharapkan [ ] Ditolak
di-inputkan. evidensi
perdagangan
berbuatan dicari.
evidensi diharapkan [ ] Ditolak
perdagangan dan evidensi
menunai perdagangan
pengubahan berbuatan diubah.
evidensi.
Klik tombol simpan Evidensi Tombol simpan [√]
perdagangan yang sesuai seraya yang Disambut
telah di-inputkan diharapkan [ ] Ditolak
plong borang evidensi
tersimpan di perdagangan
evidensibase dan berbuatan
pelataran
perdagangan.
pelataran sesuai seraya yang Disambut
perdagangan. diharapkan. [ ] Ditolak
7. Percobaan Pelataran Perhitungan
Percobaan pelataran perhitungan plong telaah tingkat laku perdagangan
apakah tombol-tombol yang ada plong pelataran perhitungan berpukau seraya
baik.
Senarai 5.7 Percobaan Pelataran Perhitungan

Klik menu Dapat menampilkan Menu perhitungan [√ ]
perhitungan. pelataran sesuai seraya Disambut
124
perhitungan. yang diharapkan. [ ] Ditolak

Klik tombol proses. Dapat menampilkan Tombol hitung [√ ]
buatan perhitungan sesuai seraya Disambut
Kmeans. yang diharapkan. [ ] Ditolak
Klik tombol cetak. Dapat menampilkan Tombol cetak [√ ]

pelataran cetak sesuai seraya Disambut
buatan perhitungan yang diharapkan. [ ] Ditolak
Kmeans.
8. Percobaan Pelataran Ganti Password
Percobaan pelataran ganti password plong telaah tingkat laku
perdagangan elektronik dan alat seraya perhitungan K-Means bertarget bakal
mengetahui apakah tombol-tombol yang ada plong pelataran ganti password
berpukau seraya baik.
Senarai 5.8 Percobaan Pelataran Ganti Password

Klik menu ganti Dapat menampilkan Menu ganti [√ ]
password pelataran ganti password sesuai Disambut
password. seraya yang [ ] Ditolak
diharapkan.
Klik tombol simpan. Evidensi password Tombol simpan [√]
yang telah di- sesuai seraya Disambut
inputkan plong yang diharapkan [ ] Ditolak
borang tersimpan di evidensi password
evidensibase. berbuatan
disimpan.
9. Percobaan Pelataran Logout
Percobaan pelataran logout plong telaah tingkat laku perdagangan
apakah tombol-tombol yang ada plong pelataran logout berpukau seraya baik.
Senarai 5.9 Percobaan Pelataran Logout

Klik tombol logout. Dapat keluar dari Tombol logout [√ ]
125
skema. sesuai seraya Disambut

yang diharapkan. [ ] Ditolak
BAB VI
PENUTUP
6.1 Kesimpulan
Bersendikan buatan penggalian yang telah dinunai di Gardu Sombahuta
Jaya Elektronik dan Alat seraya judul “telaah tingkat laku perdagangan elektronik
dan alat seraya perhitungan K-Means” maka kesimpulannya adalah:
1. Proses tingkat laku perdagangan elektronik dan alat yang alang terjadi saat ini
di Gardu Sombahuta Jaya Elektronik dan Alat tidak dapat diketahui seraya
jelas sehingga kesulitan yang dialami yaitu seringnya kekurangan stok produk
yang laku karena perdagangannya tinggi dan menumpuknya produk yang
tidak laku di gudang karena penjualnnya rendah.
2. Mengatasi perpersoalanan tingkat laku perdagangan elektronik dan alat maka
dirancang suatu skema bakal mengetahui tingkat laku perdagangan elektronik
dan alat seraya evidensi mining di Gardu Sombahuta Jaya Elektronik dan Alat
menyedot selidika pemrograman PHP dan evidensibase MySQL.
3. Menerapkan evidensi mining seraya algoritma K-Means memudahkan pihak
Gardu Sombahuta Jaya Elektronik dan Alat bakal menunai tingkat laku
perdagangan elektronik dan alat sehingga dapat meminimalisir terjadinya
penumpukan barang, modal tertanam terlalu lama dan pendapatan yang naik
turun .
6.2 Saran
125
126
Penulis menyadari masih banyak terdapat kekurangan tatkala tata olah
yang dibangun, maka dari itu penulis ingin menyampaikan saran-saran bakal
penggalian selanjutnya plong telaah tingkat laku perdagangan elektronik dan alat
seraya perhitungan K-Means adalah:
1. Dibutuhkannya skema fakta yang mampu memperluas cakupan skema telaah
tingkat laku perdagangan elektronik dan alat yang telah dibuat di Gardu
Sombahuta Jaya Elektronik dan Prabot sehingga skemanya dapat dipukaukan
tidak hanya bakal klasterisasi saja.
2. Diharapkan pengkaji selanjutnya dapat mengembangkan skema seraya
menambahkan field kurun plong menu perhitungan, sehingga pemakai dapat
menghitung evidensi sesuai seraya kurun yang diinginkan.
3. Diharapkan pengkaji selanjutnya dapat menunai back up evidensi lagam
berkala bakal mencegah terjadinya kelebihan (overload) evidensi dan
menyedot borangat android.

DAFTAR PUSTAKA
[1] H. Ani, D. Nofriansyah, and I. Mariami, “Pengejawantahan Evidensi

Mining Bakal Pengelempokan Buku Di Perpustakaan Yayasan Nurul Islam
Indonesia Baru Seraya Kaidah K-Means Clustering,” J. Cyber Tech, vol. 1,
no. 1, pp. 1–12, 2021, [Online]. Available:
https://ojs.tripukaudharma.ac.id/index.php/jct/article/view/315
[2] S. S. N. N. Ferdy Maylani, “Pengejawantahan Kaidah Evidensi Mining
Bakal Memprediksi Warna Anak Kucing Plong Proses Pengembangbiakan
Kucing Ras Menyedot Algoritma Support Vector Machine (SVM),” Pros.
Semin. Nas. Dharmajaya, pp. 114–125, 2021, [Online]. Available:
https://jurnal.darmajaya.ac.id/index.php/PSND/article/view/2921
[3] R. Kurniawan, M. M. M. Mukarrobin, and M. Mahradianur, “Klasterisasi
Tingkat Pendidikan Di Dki Jakarta Plong Tingkat Kecamatan Menyedot
Algoritma K-Means,” Technol. J. Ilm., vol. 12, no. 4, p. 234, 2021, doi:
10.31602/tji.v12i4.5633.
[4] Y. F. S. Y. Damanik, S. Sumarno, I. Pukauwan, D. Hartama, and I. O.
Kirana, “Penerapan Evidensi Mining Bakal Pengelompokan Penyebaran
Covid-19 Di Sumatera Utara Menyedot Algoritma K-Means,” J. Ilmu
Komput. dan Inborang., vol. 1, no. 2, pp. 109–132, 2021, doi:
10.54082/jiki.13.
[5] E. Buulolo, Evidensi mining bakal perguruan tinggi. 2020.
[6] H. Sulastri and A. I. Gufroni, “Penerapan Evidensi Mining Tatkala
Pengelompokan Penderita Thalassaemia,” J. Nas. Teknol. dan Sist. Inf.,
vol. 3, no. 2, pp. 299–305, 2017, doi: 10.25077/teknosi.v3i2.2017.299-305.
[7] R. Astuti and K. Ukar, “Pengejawantahan Evidensi Mining seraya Kaidah
Clustering Algoritma K-Means bakal Pengelompokan Evidensi Tilang di
Instansi Pemerintah,” Media Inborang., vol. 20, no. 2, pp. 109–121, 2021,
doi: 10.37595/mediainfo.v20i2.77.
[8] P. M. Silitonga Irene Sri, “Klusterisasi Pola Penyebaran Komplikasi Pasien
Bersendikan Usia Pasien Seraya Menyedot K-Means Clustering,” J.
TIMES, vol. VI, no. Vol 6, No 2 (2017), pp. 22–25, 2017, [Online].
Available:
http://ejournal.stmik-time.ac.id/index.php/jurnalTIMES/article/view/584
[9] D. Remawati, D. J. Aji Putra, and T. Irawati, “Kaidah K-Means Bakal
Pemetaan Persebaran Usaha Mikro Kecil Dan Menengah,” J. Teknol. Inf.
dan Komun., vol. 9, no. 2, p. 39, 2021, doi: 10.30646/tikomsin.v9i2.574.
[10] S. N. Saragih, M. Safii, and D. Suhendro, “Pengejawantahan Kaidah K-
Means plong Buatan Kreasi Daging Jenis Ternak,” Jurasik (Jurnal Ris.
Sist. Inf. dan Tek. Inborang., vol. 6, no. 1, p. 235, 2021, doi:
10.30645/jurasik.v6i1.288.
1
2
[11] Ahmad Fauzi Priati, “Penerapan Evidensi Mining Seraya Teknik

Clustering Menyedot Algoritma K-Means Plong Evidensi Transaksi
Superst,” no. September, pp. 15–19, 2019.
[12] F. Teknik and U. A. Jambi, “Imti Tsalil Amri , Santoso,” vol. 1, no. 2, pp.
25–30, 2018.
[13] L. G. Rady Putra and A. Anggrawan, “Pengelompokan Penerima Bantuan
Sosial Masyarakat seraya Kaidah K-Means,” MATRIK J. Manajemen, Tek.
Inborang. dan Rekayasa Komput., vol. 21, no. 1, pp. 205–214, 2021, doi:
10.30812/matrik.v21i1.1554.
[14] Santoso, G. Melisa, and I. A. Sitanggang, “Penyediaan Website E-
Commerce Ineed.Id,” Tek. Inborang., vol. 14, no. 1, pp. 19–23, 2022.
[15] D. E. Cahyono and A. Jayanti, “Pengejawantahan Aplikasi Kasir Berbasis
Web Plong Gardu Ghafya Fruits Shop,” J. Ekon. Dan Tek. Inborang., vol.
10, no. 1, pp. 32–40, 2022.
[16] F. Pratiwi, P. Pandika, and M. Izzuddin, “Skema Pengolahan Evidensi
Alumni Plong Smkn 3 Bukit Kapur,” J. Lentera dumai, vol. 12, no. 2, pp.
47–56, 2021.
[17] I. Tanjung and D. Sukrianto, “Penyediaan Skema Fakta Rekam Medis
Terpadu Tatkala Upaya Meningkatkan Pelayanan Rumah Sakit Jiwa
Tampan Prov. Riau,” J. Intra-Tech, vol. 1, no. 1, pp. 43–54, 2017.
[18] Mesran, merancang aplikasi perdagangan seraya visual basic. 2019.
[19] R. Syabania and N. Rosmawani, “Penyediaan Aplikasi Customer
Relationship Management ( Crm ) Plong Perdagangan Barang Pre-Order
Berbasis Website,” Rekayasa Inf., vol. 10, no. 1, pp. 44–49, 2021.
[20] E. Wicaksono, F. Fauziah, and D. Hidayatullah, “Pengejawantahan
Electronic Customer Relationship Management menyedot Kaidah
Framework of Dynamic berbasis Web,” J. JTIK (Jurnal Teknol. Inf. dan
Komunikasi), vol. 5, no. 4, p. 371, 2021, doi: 10.35870/jtik.v5i4.226.
[21] H. Budiman, “Peran Teknologi Fakta Dan Komunikasi Tatkala
Pendidikan,” Al-Tadzkiyyah J. Pendidik. Islam, vol. 8, no. 1, p. 31, 2017,
doi: 10.24042/atjpi.v8i1.2095.
[22] A. E. Rahayu, K. Hikmah, N. Yustia, and A. C. Fauzan, “Penerapan K-
Means Clustering Bakal Penentuan Klasterisasi Beasiswa Bidikmisi
Mahasiswa,” Ilk. J. Comput. Sci. Appl. Inborangatics, vol. 1, no. 2, pp. 82–
86, 2019, doi: 10.28926/ilkomnika.v1i2.23.
[23]. Roni Habibi dan Setiawan Raymana Aprilian, algoritma knn tatkala
memprediksi cuaca bakal menentukan pendaman yang cocok sesuai musim.
2019.
3
[24] Mardia, R. Tanjung, and A. Karim, Skema Fakta Akuntansi dan Bisnis.
Medan: Yayasan Kita Menulis, 2021.
[25] U. Rusmawan, Teknik Penulisan Tugas Akhir dan Skripsi Pemrograman.
2019.
[26] K. suendri, M, buku ajar pemrograman berbasis web. 2021.
[27] aip suprapto munari muhammad yusril helmi setyawan, Membangun
Skema Monitoring Kinerja Mahasiswa Internship Berbasis Web Dan
Global Positioning System. 2020.
[28] Y. Anggraini, D. Pasha, and A. Setiawan, “Skema Fakta Perdagangan
Sepeda Berbasis Web Menyedot Framework Codeigniter (Studi Kasus :
Orbit Station),” J. Teknol. dan Sist. Inf., vol. 1, no. 2, pp. 64–70, 2020,
[Online]. Available: http://jim.teknokrat.ac.id/index.php/JTSI
[29] Salnan Ratih Desa Made Widia, Cara Cepat dan Praktis Membangun Web
Dinamis seraya PHP dan MySQL. 2021.

Sugiyanti

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Sugiyanti

Diunggah oleh

Hak Cipta:

Format Tersedia

ANALISIS TINGKAT KELARISAN PENJUALAN

ELEKTRONIK DAN PERABOT DENGAN

Diajukan Untuk Memenuhi Salah Satu Syarat

Sekolah Tinggi Manajemen Informatika Dan Komputer Royal

ANALISIS TINGKAT KELARISAN PENJUALAN

Oleh : SUGIYANTI (18.22.0665)

Penelitian ini bertujuan untuk menganalisis tingkat kelarisan penjualan

ANALYSIS OF THE LEVEL OF ELECTRONIC AND FURNITURE

Keywords: K-Means Clustering, Electronics and Furniture, Sombahuta Jaya

1.1 Latar Belakang Persoalan

Gardu Sombahuta Jaya Elektronik dan Alat melukiskan suatu usaha

perorangan yang bergerak di bidang perdagangan barang-barang elektronik dan

dan membereskan evidensi transaksi perdagangan barang tatkala suatu basis

kepukauanya adalah bakal mengetahui perilaku dan kelasakan konsumen tatkala

membeli suatu produk yang mereka tawarkan.

Seraya melihat evidensi transaksi perdagangan tertutur, pihak Gardu

kuantitas perdagangan. Fakta pemasaran yang dibuatankan akan membantu

keplong calon konsumen. Bakal memdapat pengetahuan dari fakta pemasaran

tertutur diperlukan suatu teknik yang ditutur Evidensi Mining.

Evidensi Mining adalah suatu istilah yang dipukaukan bakal menemukan

pengetahuan yang tersembunyi di tatkala evidensibase. Analisa terhadap evidensi

serta menyimpulkannya yang belum diketahui sebelumnya seraya cara terkini

dipahami dan berpukau bagi pemilik evidensi tertutur [1].

Evidensi Mining dapat menyatukan teknik pembelajaran mesin,

pengolahan pola, statistik, evidensibase, dan visualisasi bakal penanganan

perpersoalanan pengutipan fakta dari evidensibase yang besar. Hubungan yang

satu dimensi. Misalnya tatkala dimensi produk dapat melihat keterkaitan

evidensi penjulannya lagam manual. Beserta ini adalah evidensi perdagangan

elektronik dan alat di Gardu Sombahuta Jaya Elektronik dan Alat:

Senarai 1.1 Evidensi Perdagangan Produk Elektronik

Senarai 1.2 Evidensi Perdagangan Produk Alat

Bersendikan evidensi di atas, terlihat bahwa perdagangan di Gardu

perdagangannya tinggi dan menumpuknya produk yang tidak laku di gudang

Adapun penerapan evidensi mining seraya algoritma K-Means akan

dirancang dan dibangun seraya menyedot selidika pemrograman PHP dan

evidensibase MySQL. K-Means melukiskan saalah satu kaidah evidensi clustering

mempunyai karakteristik yang berpautan dikelompokkan ke tatkala kelompok

K-Means adalah kaidah clustering berbasis jarak yang membagi evidensi

Algoritma K-Means termasuk partitioning clustering yang memisahkan evidensi

ke daerah etape yang terpisah. Algoritma K-Means sangat terkenal karena

kemudahan dan kemahirannya bakal mengcluster evidensi yang besar dan

evidensi outlier seraya sangat cepat.Tatkala algoritma K-Means, setiap evidensi

besertanya berpindah ke cluster lainnya [2].

Bersendikan pertimbangan tertutur, maka penulis tertarik bakal membuat

Seraya Perhitungan K-Means”.

1.2 Identifikasi Persoalan

Adapun identifikasi persoalan tatkala penggalian ini adalah:

1. Perdagangan di Gardu Sombahuta Jaya Elektronik dan Alat mengalami naik

2. Gardu Sombahuta Jaya Elektronik dan Alat tidak dapat mengelompokkan

kekurangan stok produk karena perdagangan yang tinggi.

3. Menumpuknya produk yang tidak laku di gudang karena penjualnnya rendah.

1.3 Batasan Persoalan

Adapun pembatasan persoalan tatkala penggalian ini adalah:

1. Evidensi yang dipukaukan adalah evidensi perdagangan barang tahun 2021

2. Kaidah yang dipukaukan tatkala penggalian ini adalah kaidah K-Means.

3. Selidika pemrograman yang dipukaukan tatkala penggalian ini adalah PHP,

evidensibase yang dipukaukan tatkala penggalian ini adalah MySQL dan

editor yang dipukaukan tatkala penggalian ini adalah Sublime Text.

1.4 Perumusan Persoalan

Adapun perumusan persoalan tatkala penggalian ini adalah:

terjadi saat ini di Gardu Sombahuta Jaya Elektronik dan Alat?

2. Penakamana merancang tingkat laku perdagangan elektronik dan alat seraya

menyedot evidensi mining di Gardu Sombahuta Jaya Elektronik dan Alat?